Kansalliskirjaston kolmesta suuresta kärkihankkeesta on tällä kertaa esittelyvuorossa UKJ eli uusi kirjastojärjestelmä (sille ei vielä ole keksitty vetävämpää nimeä, joten toistaiseksi pitää elää taas yhden akronyymin kanssa). Kehittämispäällikkö Ari Ahlqvist ja tekninen asiantuntija Petteri Kivimäki valottavat sekä hankkeen taustaa että sen tavoitteita.

Kehitystä ei kuitenkaan tapahdu vain tekniikan puolella vaan myös palvelujen sisältöä kehitetään. Katerina Sornova kertoo, missä mennään Viola-tietokannan kanssa, Lassi Lager kirjoittaa artikkeliviitteiden tallennuksen ja hyödyntämisen kehittämishankkeesta ja Jyrki Ilva vastikään avatusta uudesta julkaisuportaalista. Elektroniset kirjat ovat aivan uusi aineistolaji kirjastoissa – niihin keskittyvistä hankkeista kirjoittaa Paula Mikkonen.

Tässä numerossa käymme vielä lahden takana Ruotsissa ja raportoimme pohjoismaisista tuulista open access -julkaisemisen alalla.

Lämmintä kesää mielenkiintoisten tulevaisuudennäkymien parissa!

Twitter: #iipc13

• http://www.webarchive.org.uk/aadda-discovery/  Analytical Access to the Dark Domain Archive (1996-2010)
• http://home.us.archive.org/~vinay/wide/wide-00002.html Tilastokäyriä verkkoharavoinnista.
• http://webatlas.fr/wp/navicrawler/ NaviCrawler – työkalu manuaaliseen verkkoharavointiin.
• http://phantomjs.org/ PhantomJS
• http://htmlunit.sourceforge.net/ HTMLUnit
• http://archivesocial.com/ Sosiaalista mediaa arkistoiva firma
• http://docs.seleniumhq.org/ Selenium – selaimen automatisointi
• https://code.google.com/p/bite-project/ Google Bite – ”test web from the web”
• http://camstudio.org/ Ruudunkaappausta
• http://hadoop.apache.org/ Apache Hadoop
• http://pig.apache.org/ Apache Pig – suurten datasettien analysointityökalu
• http://aaron-dev.us.archive.org/ Vanhan hyvän ajan web

Iso-Britannia on aloittanut uk-domainin laajan haravoinnin ensi kertaa. British Libraryn Andrew Jackson arvioi, että dataa kerätään noin 13 teratavua vuodessa. Lisäksi Internet Archivessa on yli 35 teratavua uk-aineitsoja vuosilta 1996-2010.

Verkkoarkistosta on tuotettu datasettejä, esimerkiksi

• Verkkoaineistosta on etsitty postinumeroita, ja sivut voi löytää kartan kautta.
• Ylätason domainien (org.uk, edu.uk, co.uk jne.) linkittyminen toisiinsa.

Lisätietoja on osoitteissa http://data.webarchive.org.uk/opendata/ ja http://www.webarchive.org.uk/aadda-discovery/browse

***

Julien Masanès, Internet Memory Foundation, kertoi organisaationsa palveluista tutkijoille.

Mignify on IM-Foundationin uusi web-työkalu, jonka avulla tutkjat voivat käsitellä säätiön keräämiä verkkoaineistoja. 

Masanés kuvaili myös menetelmiä samanlaisten ja lähes samanlaisten www-sivujen tunnistamiseksi. Näkökulma ei ole niinkään tuplakontrolli vaan se, että esim. samaa videoleikettä on kommentoitu eri foorumeilla, ja tutkijaa kiinostvat kaikki kommentit. Hän esitteli myös tapoja seurata termien  ja niiden yhdistelmien yleisyyden nousuja ja laskuja sekä niiden yhdistelmiä – esimerkiksi: kuinka usein eri aikoina samalla sivulla on mainittu sanat ”Benedictus” ja ”Ratzinger”

NaviCrawler on työkalu, jonka avulla voi manuaalisesti käydä läpi verkkosivuja, kerätä niitä talteen skeä analysoida niiden linkkejä ja kerätä viitatutkin sivut. Sen avulla voi myös tarkastella, onko sivujen välillä yhteyksiä.

Tutkijoille on olemassa myös Archivethe.net (AtN), ”a friendly Web archiving platform”. Sivustolta ei oikein käy ilmi, mitä palvelut maksavat ja miten esim. tekijänoikeusasioita on lähestytty.

Internet Memory Foundation – entinen European Archive – on hieman mystinen laitos, jonka suhteet IIPC:hen syystä tai toisesta ovat lähinnä viileän korrektit. Niinpä sen tutkimusprojektit kaipaisivat parempaa tutustumista.

Tutkijoiden ensimmäinen ongelma oli saada verkkoarkistoon tutkimuksen kannalta mielekästä aineistoa, koska tutkimuskysymys vaati hyvin pikkutarkkaa verkkosisällön dokumentointia. Erityisesti chatin talteen saaminen oli hankalaa – haravaan jää vain valkoinen sivu. Tutkija aloitti verkkodokumentoinnin itse asiassa kännykkäkameralla, mutta kohtasi monenlaisia ongelmia – kuten sen, että näytönsäästäjä oli mennyt päälle, kun hän oli puuhaamassa muuta. Hän ei nimittäin tallentanut vain yhtä vaan viittä eri kanavaa yhtä aikaa, viidellä tietokoneella ja viidellä kameralla. 

Tässä vaiheessa Statsbibliotek saapui avuksi. Sovelluksia jakuvaan ruudunkaappaukseen on runsaasti, yksi niistä (ffmpeg) paketoitiin kokonaisuudeksi, joka vielä helpottaa tutkijan työtä – esimerkiksi ajastin. Ihan omgelmattoamsti ei hanke sujunut – erään kerran Macin ohjelmistopäivitysilmoitus oli ilmestynyt keskelle näyttöä.

Statsbibliotek aikoo lähiaikoina julkaista työkalun avoimena lähdekoodina.

Århusin yliopiston Niels Brügger esiteli tanskalaisten ajatuksia verkkoarkistojen tutkimusinfrastruktuurista. (Kirjoittajana myös Neils Ole Finnemann.) Tanskassa verkkoarkistojen käyttö on rajattu tiukasti edistyneille tutkijoille, mutta he saavat sitten aineiston kunnolla käsiteltäväkseen. (Suomessahan aineistoa saa tarkastella kuka tahansa, mutta sitä ei saa analysoitavaksi.)

Brügger esitti kolme tärkeää seikkaa: korpusten muodostaminen; täydellisyyden varmistaminen; ja versioiden hallinta. Tutkija haluaa harvoin tutkia verkkoarkistoa yleensä, vaan hänelle on voitava tarjota joko sopivasti rajattu näkymä tai arkistosta tehty osakopio. Rajoittavia seikkoja voivat olla esim. aika, paikka, sisältö, tiedostomuoto ja keskinäinen linkitys. – Korpus voi tietenkin olla puutteellinen, ja tutkijalla on oltava keinot ymmärtää aukkoja. Korpus voi olla myös liian täydellinen tutkijan tarpeisiin. Arkiston pitäisi pystyä hallitsemaan hyvin saman sivun versioita ja karsimaan tarjottavaa korpusta tarvittaessa. Tämä, kuten puhuja totesi, ei taida toimia oikein missään verkkoarkistossa.

Sophie Gebeil Aix-Marseille-Universitésta esitti historioitsijan näkökulmia verkkoarkistoon, Hän kirjoittaa väitöskirjaa, jossa tutkitaan maahanmuuttoon ja maahanmuuttajien diskriminaatioon liittyvien muistojen esittämistä ja tulkistemista verkossa. Tutkijan erityisenä kohteena on ”muistojen kilpajuoksu” vuonna 1983 järjestetystä suuresta tasa-arvomielenosoituksesta (Facebook-sivu). Oliko marssi menestys vai epäonnistuminen? Kuka marssin oikeastaan järjesti? Itse marssi tapahtui kauan ennen www:iä, mutta sitä koskevat muistot ja tulkinnat ovat muodostuneet vilkkaaksi ja kiistellyksi aiheeksi. 

Gebeilin mukaan verkkoarkistot ovat hyvä ja rikas tutkimuksen lähde, mutta tutkijoiden täytyy ymmärtää niiden sisältö – joka kerääjän täytyy tehdä ymmärrettäväksi – ja osata käyttää sitä. Verkkoarkisto ei ole Google. – Esityksessä tuli esiin taas eräs mielenkiintoinen netin piirre: erilaiset hyvinkin ekstremistiset liikkeet ovat kyllä esillä netissä, mutta niitä ei löydä hakukoneilla eikä Facebookista – täytyy tietää, minne mennä. Kuka kertoisi Kansalliskirjastolle, että tiedämme kerätä talteen?

Viestinnän tutkija Meghan Dougherty Loyola Universitystä on tutkinut haastatteluitse kirjaston- ja arkistonhoitajien sekä tutkijoiden näkemyksiä verkkoarkistojen keräämisestä ja käytöstä. – Yllättävä näkökohta oli se, että netin tutkijat eivät aina ole tietoisia verkkoarkistojen olemassaolesta – tai eivät ymmärrä niiden merkitystä. Dougherty vakuutti, että on tavannut nettitutkijoita, joille ei ole ollut selvää, että vaikkapa Valkoisen talon www-sivut näyttävät nyt kovin erilaisilta kun vuonna 1996! 

Dougherty on selvittänyt kirjastonhoitajien, arkistonhoitajien ja tutkijoiden käsityksiä tavallisimmista verkkoarkistoihin liityvistä hankaluuksista. Yleiset ongelmat kuulostavat tutuilta: ennen lainsääädäänön asettamat rajoitukset ja eri lähtökohdista tuelvien ihmisten vaikeus kommunkoida. Tutkijoille verkkoarkistojen käyttö on vielä outoa ja vaatii metodologioiden pohtimista ja työkalujen opettelemista. Verkkoarkistojen pitäisi tukea tutkijoita enemmän – ei voi vain lätkäistä arkistoa tutkijan eteen ja jättää häntä seikkailemaan. Tutkijoiden näkemykset tulisi ottaa paremminhuomioon myös toimintatapoja suunniteltaessa.

Dougherty mainitsi, että häntä eivät kiinnosta verkkolehtien uutiset vaan tavat, jolla uutiset esitetään ja mtien lukijat voivat kommentoida ja jakaa niitä. Olisi tärkeää siis säilyttää tällaiset toiminnallsuudet myös arkistossa. 

Helen Hockx-Yu British Librarysta puhui verkkoarkiston kerääjän näkökulmasta

Verkkoarkistojen tutkimuskäyttö on kaiken kaikkiaan ollut lukumääräisesti vähäistä. Lainsäädäntö estää järkevää käyttöä niin Suomessakin monissa muissakin maissa. Ja ne tutkijan työkalut – Kansalliskirjasto on vähemmistössä, kun se pystyy tarjoamaan sanahaun verkkoarkistoon.

British Library on haastatellut noin sata tutkijaa. Kaikki ymmärtävät verkkoarkistoinnin merkityksen, myös ei-käyttäjät. Datanlouhintaan ja visualisointiin toivottiin lisää työkaluja, samoin parempia mahdollisuuksia kommunikoida krijaston ja teknisten kehittäjien kanssa.

Sisältö on eri tutkijoille eri mitassa relevanttia. Britanniassa arkisyointi on tähän asti ollut hyvin valikoivaa ja on siksi tietyillä aloilla kattava, toisilla olematon. Tästä syystä brttien akristossa av-aienistot ovat erityisen huonosti edustettuja. (Juuri nyt on meneillään ensimmäinen brittiläinen yleiskeräys.)

Hocks-Yu luetteli muutamia verkkoarkistojen menestystekijöitä, jotka haastatteluissa nousivat esiin:

• Löytyvyys ja saatavuus on varmistettu.
• Pitää olla paitsi teksti myös ”parateksti”: verkkoarkiston sisällön on ilmennyttävä kontekstissaan. Lisäksi arkiston, sen keruupolitiikka, käytetyt teknologiat yms. on dokumentoitava. 
• Täytyy olla keino viitata aineistoihin täsmällisesti.
• Tutkijan on saatava järkeviä kokonaisuuksia. Esim. maarajat eivät välttämättä ole relevantteja. Tutkijaa ei lähtökohtaisesti kiinnosta, kuka arkiston on kerännyt.
• Verkkoarkisto on uskottava alkuperäisen sisällön ja ilmeen säilyttäjä.
• Tutkijan erilaiset tarpeet otetaan huomioon. Erityisesti digitaaliset tutkimusmenetelmät ovat tärkeitä. 

Seuranneessa paneelikeskustelussa nousi uudestaan esiin tarve tehdä tutkijoille selväksi, miksi verkkoarkisto ei ole netin täydellinen kopio – puutteita tulee lähes aina olemaan, dynamiikka katoaa jne. Tällä hetkellä tällaisia ongelmia ei kerta kaikkiaan voi täydellisesti ratkaista.

Paneelikeskustelussa tuli myös esiin ajatus siitä, että verkkoarkistojen sisällöstä pitäisi ehdä samanlaisia ”datasettejä” kuin jostakin muustakin tutkimusdatasta.  Ja kokotekstihaku valittiin yleisellä akklamaatiolla tärkeimmäksi kehittämiskohteeksi. Meillähän se on, mutta aina sitä voi kehittää.

Kotona tulee varmasti jossakin vaiheessa mietittäväksi, miten lainsäädännön puitteissa voitaisiin kuitenkin mahdollistaa paremmin erilaiset tutkimustavat – esim. aineistojen tilastollinen tai lingvistinen analyysi.

IIPC:ssä on tällä hetkellä 44 jäsentä: kansalliskirjastojen lisäksi mukana on muita kirjastoja ja arkistoja sekä jokunen järjestelmän- ja palvelunarjoaja. Kansalliskirjasto on ollut järjestössä mukana aivan alusta asti – tänä vuonna vietetään 10-vuotisjuhlia. Pohjoismainen yhteistyö tosin alkoi vielä aikaisemmin.

Ljubljanan kokous on alkanut positiivisen kriittisyyden merkeissä. Toiminnassa on selkeästi kehittämistarvetta, ja ongelmista on puhuttu avoimesti ja onneksi oikein hyvässä hengessä. 

IIPC:n ytimessä ovat yhteiset työkalut – haravoinnissa käytetty Heritrix ja käyttöliittymä Wayback ym. Molempien kehittäminen on takellellut jo onkin aikaa. Nyt päätettiin ryhtyä toimenpiteisiin kehittämisen vastuiden ja koordinaation selventämiseksi ja jäsenorganisaatioissa olevan osaamisen paremmaksi hyväksikäyttämiseksi.

IIPC:n kokoukset ovat aina olleet antoisia: sopivan kokoisia, sopivan kokoiseen aihelaueeseen fokusoituneita ja sopivasti eri alojen asiantuntijoita yhdistäviä. Kokousten ideoiden toteuttaminen sen sijaan on ollut puutteellista ja työryhmät osin olleet aivan vailla toimintaa. Nyt päätettiin etsiä parempia tapoja organisoida työryhmiä – tai pikemminkin intressiryhmiä, ja tehdä kehittämististä selkeämmin erillisiä projekteja.

Lisäksi yritetään lisätä yhteyksiä suuriin sisällöntuottajiin – YouTube yms., sekä tahoihin, joiden välineillä verkkoaineistoja hallitaan, vaikkapa Worpress. Pidemmällä aikavälillä pitäisi myös laajentaa IIPC:n jäsenpohjaa esim. Venäjän ja Etelä-Amerikan suuntaan. Myös toiminnan strategisen merkityksen esilläpitämistä esim. organisaatioiden johdon suuntaan pidettiin tärkeänä tehtävänä.

Hiljalleen verkkoarkistointi saa ongelmista huolimatta jalansijaa. British Library tekee parhaillaan ensimmäistä brittiläistä www-sivujen yleiskeräystä (uutinen); ja Viron kansalliskirjasto on kohta avaamassa oman verkkoarkistonsa yleisölle. Sveitsin kansalliskirjasto on liittänyt verkkoaineistojen haun (mutta ei lukuoikeutta) e-Helvetica-palveluun

Tämän vuoden kokouksessa puhutaan paljon mm. hankalien verkkosisältöjen keräämisestä; ja hankalia asioita on paljon – suoratoistomedia, dynaamiset sisällöt, interaktiota vaativat sivut jne. Listalla on myös arkistojen laadunvalvonta – sen enempää Suomessa kuin muuallakaan ei mitenkään voi vahtia, että kaikki, mitä on aiottu haravoida, tulee haravoiduksi. Tanskassa on usutettu musiikin tutkijoita tarkastelemaan oman alueensa sisältöjä – nimenomaan sitä, miten paikallista Katri-Helenaa koskeva aineisto on tullut kerättyä. Tässäpä työtapa meillekin?

Reaktioiden katkeruutta selittää se, että Mendeley oli onnistunut profiloitumaan avoimen tieteen ja avoimen tiedejulkaisemisen kannattajien lempilapseksi, ja sen myyminen 45 miljoonalla punnalla (noin 20 puntaa per käyttäjä) nimenomaan Elsevierille tuntuu monista lähestulkoon petokselta. Monet tutkijat ovat myös tallentaneet omaa tuotantoaan kokotekstitiedostoina palveluun, ja fuusio herättää epäilyksiä siitä, miten Elsevier ja sen kilpailijat suhtautuvat tähän nyt kun palvelu on Elsevierin omaisuutta. Lisäksi kriitikoita arveluttaa Mendeleyn keräämien käyttötietojen (ml. tutkijoiden lukutottumukset) päätyminen yksinoikeudella Elsevierin käsiin.

Sinänsä kyseessä ei ole mitenkään epätavallinen tapaus: suuret kansainväliset tiedekustantajat tekevät edelleen tavattoman voitollista bisnestä, ja osakkeenomistajilleen tuottamiensa miljoonien lisäksi niillä on runsaasti käteistä rahaa käytettävissä myös investointeihin. Ne ovat ostaneet vähän kerrallaan pois markkinoilta monia itsenäisinä toimijoina profiloituneita pienempiä yrityksiä ja näiden lanseeraamia ohjelmistoja tai verkkopalveluita. Aloittelevien yritysten rahoittajat realisoivat näin sijoituksensa hyvällä voitolla, vaikka myyntipäätös saattaakin tarkoittaa yrityksen alkuperäisen toimintaidean ja sen tuottamien palveluiden vesittymistä.

Fuusio suuren ja varakkaan toimijan kanssa avaa toki yrityksen perustajille uusia laajempia näköaloja ja kasvumahdollisuuksia, mutta uuden omistajan pidemmän tähtäimen prioriteettejä on usein kuitenkin vaikea ennakoida. Elsevierin ja Mendeleyn fuusioon liittyviä mahdollisuuksia ovat analysoineet mm. Kent Anderson Scholarly Kitchen -blogissa ja Jennifer Howard Chronicle of Higher Education -lehdessä. Sen taustalla olevista jännitteistä löytyy näkemyksiä myös Jason Hoytin blogista.

Elsevier on viime aikoina tehnyt kovasti työtä maineensa parantamiseksi satsaamalla myös open access -julkaisemiseen, mutta sillä on kuitenkin taakkanaan paljon varsin tuorettakin historian painolastia. Sen nykyisetkään linjaukset eivät ole olleet kaikilta osin vakuuttavia, sillä se on pyrkinyt johtavaa asemaansa hyödyntäen määrittelemään avointa saatavuutta (Elsevierin käyttämän terminologian mukaan ”Universal Access”) kannaltaan mieleisellä tavalla. Nähtäväksi jää, miten hyvin se pystyy Mendeleyn tapauksessa hallitsemaan fuusion herättämiä vastareaktioita. Oletus varmasti on, että fuusion pienissä aktivistipiireissä herättämä kuohunta menee ohi muutamassa viikossa ja elämä jatkuu sen jälkeen niin kuin tähänkin asti.

Mukana on runsaasti enemmän tai vähemmän klassisia teoksia aikakauden keskeisiltä kirjailijoilta, J.L.Runebergistä ja Aleksis Kivestä Minna Canthin ja Arvid Järnefeltin kautta aina Edith Södergraniin ja Saima Harmajaan asti. Unohtamatta tietysti Juhani Ahoa ja Eino Leinoa ja monia monia muita.

Kuten kokoelman nimestäkin ehkä voi päätellä, digitoidut kirjat liittyvät muutaman vuoden ajan valmisteilla olleeseen Kirjallisuuspankki-hankkeeseen, jonka lähtölaukaus oli professori Jyrki Nummen vuonna 2008 laatima selvitys. Hanke on saanut rahoitusta mm. Koneen säätiöltä.

Kirjallisuuspankki-hankkeen päämäärien kannalta digitoitujen julkaisujen saaminen pdf-muodossa verkkoon on vain välitavoite; hankkeessa pyritään kehittämään laajempaa kansainvälisten esikuvien mukaista palvelukokonaisuutta, joka hyödyttäisi sekä tutkimusta, opetusta että suurta yleisöä.

Mutta jo nyt, antoisia lukuhetkiä, toivottaa Kansalliskirjasto!

Jukuri on kuudes Kansalliskirjaston ylläpitämä julkisessa käytössä oleva DSpace-instanssi; ne muut ovat Doria, Theseus, Julkari, Tampub ja Fragmenta membranea. Seitsemäskin julkinen instanssi kuuluu olevan tulossa varsin pian…

http://www.nature.com/news/specials/scipublishing/index.html

Open access -julkaisemista, avointa tutkimusdataa ja muitakin ajankohtaisia ilmiöitä käsittelevä kansainvälinen keskustelu on ollut viime aikoina tavattoman vilkasta, ja sen seuraaminen käy jo työstä. Naturen kokoamat artikkelit näyttäisivät kuitenkin antavan aika hyvän tilannekuvan siitä, missä tällä hetkellä oikein mennään.