L’acquisition des données est notre métier, journées ISTEX 2018
•Als PPTX, PDF herunterladen•
0 gefällt mir•131 views
L’acquisition des données est notre métier, support de présentation de David Aymonin lors de son intervention aux journées ISTEX du 15 mars 2018.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie L’acquisition des données est notre métier, journées ISTEX 2018
Ähnlich wie L’acquisition des données est notre métier, journées ISTEX 2018 (20)
Mehr von ABES
Mehr von ABES (20)
Kürzlich hochgeladen
Kürzlich hochgeladen (19)
L’acquisition des données est notre métier, journées ISTEX 2018
- 1. L’acquisition des données est notre métier Journées Istex – 14 et 15 mars 2018 – Paris 1
- 2. 18 bouquets de revues
- 3. 13 bouquets de ebooks
- 4. Du consortium à la licence type 4 http://bbf.enssib.fr/consulter/bbf-2013-01-0066-015
- 5. Du choix à l’accès Etapes Identification du besoin Négociation Vérifications Traitements Chargements 5 Ressource Editeurs COUPERIN ---- ABES --- INIST Chercheurs Et en plus Signalements Sudoc Développements Istex
- 6. Evaluation des produits et des offres Le traitement des métadonnées Pour une offre commerciale donnée de e-books – Combien sont dans le Sudoc ? – Combien ont une édition imprimée dans le Sudoc ? – Combien d’établissements exemplarisés sur chaque version ? Cela permet d’évaluer l’offre à sa juste valeur Et de l’améliorer
- 7. Contrôle rigoureux du contenu Le traitement des métadonnées Pour une offre commerciale données de revues –Métarevues pour comparer la liste initiale fournie avec la réalité de la vie des revues Cela permet – de vérifier la qualité de l’offre – et de la renégocier Et de réparer la suite des opérations de signalement
- 8. Titre ISSN Couverture Life sciences 0024-3205 1962-2001 Titre ISSN Date début Date fin Media PPN Life sciences (1962) 0161- 5564 1962 1970 papier 036937843 Life sciences. Part 2. Biochemistry, general & molecular biology 0300- 9637 1970 1973 papier 037256289 Life sciences. Part 1. Physiology and pharmacology 0300- 9653 1970 1973 papier 037256297 Life sciences (1973) 0024- 3205 1973 papier 038745062 Life sciences (Online) 1879- 0631 200X élec 073281212 Métarevues 436 436 452 Exemple d’une revue
- 9. Scan des millions de fichiers livrés reconstituer les périodes couvertes comparer la livraison à la liste contractuelle réclamer (pendant les délais contractuels) Tit re P- ISSN E- ISSN Début (licenc e) Fin (licen ce) P- PPN E- PP N 1er Vol. 1er Num. Dern. Vol. Der. Nu m. Années livrées Vol. livrés Années manqua ntes Volumes manqua nts 1 2 1920 2010 1 1 110 10 1920- 1925 1927- 2010 1-6 8-110 1926 7 … Agréger + Analyser + Comparer Article Art icle Arti cle Réclamer ! Garantir la validité de l’achat
- 10. Enrichissements pour chaque périodique - La zone 207 (numérotation) - L’URL d’accès en 859 - Un état de collection détaillé en 955 - La zone E856 (format, URL, note publique, code bouquet) Et pour chaque e-book - Création de toutes les notices dans le Sudoc - A partir des données XML fournies, testées et validées - Dédoublonnage avec les notices Sudoc existantes - Ajout de données venant d’autres sources Améliorer le signalement
- 11. ________ ________ ________ XML ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ ________ MARC SUDOC RDF MARC XML ISO 2709 RDF 2 MARC ISO 2709 XML 2 RDF IMPORTS Enrichissements XSLT XSLT Java Contrôles, enrichissements et import Parseur StAX Corrections ______ ___ ______ ___ ______ ___ XML Originaux ______ ___ ______ ___ ______ ___ XML Valides et bien formés _______ __ _______ __ _______ __ XML Exploitables Requêtes SQL Corrections
- 12. Identifiants Format(s) … issus des métadonnées xml … récupérés via sources extérieures Indice DEWEY ID auteur … générés par procédure d’import Zone de gestion Divers La notice finale enrichie
- 13. Exposition des données Les métadonnées d’ISTEX sont – Dans ISTEX – Dans le SUDOC • Disponibles par lots, par web services, à l’unité • Listes de ppn papier/elec – Dans BACON --> Fichiers KBART – Dans le web de données --> En RDF Il essentiel de lier ces données à des référentiels – Identifiants auteurs – Vocabulaires contrôlés – Classifications – …
- 14. Et maintenant ISTEX = 21 millions de documents Achetés pour permettre l’accès et l’exploitation – Sous forme de métadonnées pour le signalement local ou national – En pdf pour l’accès direct – Dans divers formats pour le TDM 14
- 15. Et maintenant ISTEX = 21 millions de documents Achetés pour permettre l’accès et l’exploitation – Sous forme de métadonnées pour le signalement local ou national – En pdf pour l’accès direct – Dans divers formats pour le TDM 15
Hinweis der Redaktion
- Avec l’aide et les contributions de Delphine Rémy Julie Lempereur Yann Nicolas
- Etat en janvier 2018. D’autres ressources sont encore en négociation
- Etat en janvier 2018
- Depuis 2012 nous avons appris beaucoup de choses en matière d’acquisition des ressources, en insistant sur l’acquisition des données
- C’est la collaboration entre Couperin, l’Abes et l’Inist qui permet de traiter comme il le faut les données acquises et de fournir le service aux chercheurs
- L’ABES a fourni à Couperin des indicateurs chiffrés pour aider à évaluer l’opportunité de l’achat d’un corpus d’ebooks Mesurer la présence d’un corpus dans le Sudoc est un indicateur complémentaire à d’autres indicateurs, au premier rang desquels l’enquête sur les besoins des chercheurs. La « présence » d’un corpus d’ebooks dans le Sudoc, se mesure surtout par le nombre d’établissements localisés (ce qui suppose que les notices soient dans le Sudoc : on sait que tout ce qui est acquis sous forme électronique n’est pas catalogué à ce jour).
- Or on s’aperçoit, en examinant de près les listes contractuelles, que les éditeurs ont tendance à simplifier, en ne retenant qu’un seul titre et un seul identifiant pour X titres et X identifiants dans le SUDOC et dans le registre. Afin de rétablir un découpage correct, qui « colle » aux données ISSN, et donc de repérer précisément la notice sous laquelle il faut créer l’exemplaire ABES-Licence Nationale, l’ABES utilise le programme Métarevues.
- Si le traitement des périodiques dans le SUDOC est intimement lié aux données ISSN, les éditeurs, eux, prennent quelques libertés avec les règles très strictes du registre. On sait que les périodiques ont une histoire bibliographique complexe, faite de changements de titre, fusions, scissions, … METAREVUES est capable, à partir d’un ISSN, de lister tous les titres liés à celui-ci par les zones 43X, 44X et 452. Ex. pour ce titre chez Elsevier : ISSN d’entrée = l’ISSN fourni par l’éditeur Dans le Sudoc, ce titre est lié à 3 autres titres papier, qui ont tous un ou plusieurs lien(s) 43X et 44X (ici : 436 = fusion de … et de …), et les dates de couverture divergent : on a donc affaire à une « métarevue », là où l’éditeur considère qu’il s’agit d’une revue simple, publiée à partir de 1962. + lié à une notice de périodique électronique par une zone 452 = a pour autre édition sur un support différent) *métarevue = ensemble des titres qui constitue une revue depuis sa naissance. Pour faciliter le repérage, le programme fournit également le PPN correspondant à chaque titre.
- Développement spécifique d’un programme pour comparer la livraison effective à la livraison attendue. Ce qui est acheté et dc attendu, ce sont des tranches annuelles de périodiques. Ce qui est concrètement livré, ce sont des millions d’articles individuels. Notre programme doit donc d’abord rendre commensurable ce qui est attendu et ce qui est livré. Ce qui revient à agréger et analyser la masse de métadonnées attachés à chaque article, pour représenter cette masse sous la forme de tranche d’années et de listes de volumes (voire de fascicule). Pour chaque périodique, on peut alors comparer ces tranches d’années calculées à partir des métadonnées d’article aux tranches prévues par le contrat… pourvu qu’on ait rétabli une cohérence entre les ISSN utilisés pour désigner une métarevue du côté des articles et du côté de la liste contractuelle. En parallèle, la liste des volumes livrés permet également d’identifier des lacunes dans la livraison. Plus précisément, une lacune annuelle sans lacune de volume correspondante révèle une fausse alerte : l’année manque car la publication a été interrompue ; mais la numérotation du périodique a continué sans interruption. Enfin, autre écueil : certaines lacunes apparentes correspondent en fait à la livraison effective de fichiers inexploitables : le PDF sera lisible, mais personne ne tombera dessus, faute de métadonnées exploitables.
- Après le travail d’identification, on va appliquer différents traitements, qui vont permettre d’augmenter le degré de précision des données bibliographiques et des données d’exemplaire, grâce à des sources extérieures au SUDOC. Les enrichissements pour une notice de périodique sont peu nombreux, mais revêtent une importance capitale puisqu’ils concernent les dates de couverture (zone 207) et l’accès à la ressource (zone 859) Le renseignement de la zone 207 est crucial pour les périodiques électroniques : la date de publication « officielle » d’un périodique électronique étant sa date de mise en ligne, seule la zone 207 permet d’appréhender la couverture réelle d’un titre. Au niveau de l’exemplaire, c’est évidemment l’état de collection qui va retenir l’attention : grâce aux informations glanées dans les métadonnées XML, l’ABES va proposer un état de collection détaillé.
- Pour que les données xml éditeur soient exploitables, il faut que les fichiers livrés par les éditeurs soient valides et bien formés, et que les données qu’ils contiennent soient correctes. Par ex., un ISBN dont la forme ne serait pas correcte empêche la validation de la notice dans le Sudoc : « les ISBN dont la structure - nombre de caractères, division en segments - ou la clé de contrôle est non conforme » (GM) » (contrôle de validation par le système) => Corrections dans les fichiers XML Ex. dans corpus Taylor & Francis : Cette balise : <isbn pub-type="ebk">isbn : 978-0-203-00512-5 (ebk)</isbn> A été corrigée directement dans le fichier xml : <isbn pub-type="ebk">978-0-203-00512-5</isbn> Streaming Api for XML Pour être enrichies et devenir comestibles pour le SUDOC, les données XML vont être converties dans divers formats, principalement grâce à XSLT eXtensible Stylesheet Language Transformations
- Enrichissements : Grâce à des sources extérieures Grâce aux informations trouvées/présentes dans les fichiers xml éditeur < fichiers xml (données présentes) - Les différents formats (PDF, EPUB, …) Identifiants : ISBN pour chaque format DOI (passerelle entre données HUB et Sudoc) Pagination de l’édition imprimée correspondante Informations récupérées grâce aux autres sources : identifiants auteurs (<qualinca) Indice Dewey (<OCLC Classify web service d’OCLC) Zone(s) de gestion : générée(s) par la procédure d’import 035 : che sou RSC_EBOOKS_LN?
- L’ensemble des métadonnées vérifiées, traitées, enrichies sont exposées dans divers univers pour servir les différents besoins des communautés.
- Des traitements et des enrichissements sont réalisés par les collègues de l’INIST sur le texte des documents. ISTEX existe. C’est une plateforme unique par son contenu, par ses données et métadonnées riches, par ses services. ISTEX évoluera encore : À terme nous y intègrerons des ressources en open accesss Nous pensons y charger les thèses françaises Si ISTEX 2 voit le jour des ressources supplémentaires seront acquises
- Vous pouvez en découvrir toutes les possibilités