SKS til TEI data management plan

Transkript

1 SKS til TEI data management plan Project Name Søren Kierkegaard TEI-konvertering Principal Investigator / Researcher Niels Jørgen Cappelørn, njc@sk.ku.dk Project Data Contact Anders Conrad, asc@kb.dk Description Den elektroniske udgave af Søren Kierkegaards Skrifter, sks.dk, er baseret på et egenudviklet opmærkningsformat, KN1, og kører på en efterhånden teknisk forældet platform som udgår af support i Det nærværende projekt har til formål at omforme tekstgrundlaget til et standardformat, TEI, og at sikre disse filer frem mod en genpublicering på en teknisk tidssvarende platform. Institution Det Kongelige Bibliotek / The Royal Library Data Collection What data will you collect or create? Såvel den fysiske som den digitale udgave af Søren Kierkegaards Skrifter (SKS) baserer sig på et opmærket tekstkorpus på det egenudviklede Kierkegaard Normalformat 1 (KN1). I forbindelse med at den tekniske platform bag den digitale udgave går mod ophør af support i 2018, er det blevet vurderet at forudsætningen for flytning og nyudgivelse, er en sikring af dette korpus. For at sikre disse filer for såvel fremtidige versioner af udgaven som fremtidig forskning, er det planen at konvertere alt det KN-1opmærkede materiale til et TEI-baseret format. TEI (Text Encoding Initiative) er en veletableret international standard for tekstopmærkning til udgivelses- og forskningsformål som benyttes bl.a. til tekstkritiske udgaver. TEI benyttes til andre udgivelser i det danske filologiske miljø, bl.a. Grundtvig-udgaven (grundtvigsværker.dk), Holberg-udgaven (holbergsskrifter.dk) samt til Arkiv for Dansk Litteratur (adl.dk). Dette format vurderes at være det bedst egnede med henblik på langtidsbevaring og -tilgængelighed af SKS. Slutresultatet af projektet vil være sikring og bevaring af det komplette filkorpus bag sks.dk, med de opmærkede tekstfiler konverteret til TEIformat. How will the data be collected or created? Det tekstmæssige grundlag for projektet er SKS-korpuset som det foreligger på KN1-format på den kørende elektroniske udgave, sks.dk pr. 1/ En stor del af konverteringsprocessen KN1 til TEI er tidligere afdækket i form af et konverteringsprogram (en XSLT-transformation). Der udestår imidlertid en håndtering af specielt det kritiske apparat, som er bundet tæt op til udgavens filologiske principper. Den udviklede software skal derfor videreudvikles til at kunne håndtere den komplette konvertering. Arbejdet består i gradvist at forfine den eksisterende konverteringsprocedure til den vurderes at komme så tæt på at kunne lave This document was generated by DMPonline.dtu.dk ( 1 of 5

2 en en-til-en konvertering som det er muligt. Når det vurderes at konverteringssoftwaren er færdigudviklet, bliver der kørt den endelige konvertering fra KN1-korpuset. Herefter vil TEI-korpuset blive anset for at være masterfilerne for videreudvikling og fejlretning af sks.dk. Documentation and Metadata What documentation and metadata will accompany the data? De enkelte datafiler er selvbeskrivende via TEI-headeren, som er en del af hver enkelt TEI-fil, og som rummer metadata om teksten og udgaven. Informationen i TEI-headeren overføres under konverteringen fra tilsvarende metadata i KN1kolofonen. Enheden eller granulariteten af filerne er ordnet efter den arkivalske enhed, som kan være bog, skrifter m.m. Der er ca. 500 enheder (filer), som hver vil være beskrevet i TEI-headeren af den pågældende fil. TEI-headeren gør i filedesc-elementet rede for tekstens bibliografiske og editionsfilologiske forhold. I elementet revisiondesc gøres rede for ændringer i teksten, med angivelse af nyt versionsnummer for hver ændring. For at sikre resolverbarheden af interne links teksterne imellem, er filstrukturen selv betydningsbærende. Filstrukturen i KN1-korpuset skal derfor bevares, også som grundlag for TEI-korpuset, såvel i forhold til arkivering som til fremtidig republicering. Der eksisterer en omfattende dokumentation af KN1-opmærkningen ( denne vil blive opdateret til at dække TEI-opmærkning i stedet for. Den opdaterede dokumentation bliver en del af det kommende TEI-korpus, ligesom alle øvrige relaterede tekster og billeder som ikke er mærket op, fx. på PDF-format, vil blive gemt som del af det nye korpus. Hertil kommer området "værksted" som i dag ligger på et fildrev ved siden af den publicerede tekst. Dette område omfatter software mm. som er blevet brugt under produktionen. Det vurderes at dette område også skal bevares selv om det ikke længere vil kunne benyttes direkte af fremtidige brugere, da det kan rumme elementer af vigtig information om udgaven. Ethics and Legal Compliance How will you manage any ethical issues? Alt materiale i originalteksten er fri for rettigheder, og der er pga. teksternes alder ingen problematikker omkring personhenførbare data. Alle nyskrevne tekster, noter og realkommentarer, er tilføjet under almindelige betingelser for videnskabelig publikation. How will you manage copyright and Intellectual Property Rights (IPR) issues? Ophavsretten til udgaven er overdraget til Københavns Universitet. This document was generated by DMPonline.dtu.dk ( 2 of 5

3 Ændringer i kommentarer kan alene ske efter aftale med Forskningscenteret. (jvf. kontrakt indgået ml. SKC og KB). Det Kongelige Bibliotek vil fremover stå som forvalter af det bevarede filkorpus og eventuelle nyudgivelser af dette, efter nærmere aftale med Københavns Universitet. Storage and Backup How will the data be stored and backed up during the research? Udviklingsarbejdet omfatter primært softwareudvikling. De genererede data undervejs repræsenterer derfor ikke nogen langtidsværdi, idet de når som helst vil kunne genskabes af softwaren. Softwaren lagres på et internt KB netværksdrev som er under daglig backup, og som er skrivebeskyttet for andre end de udviklere som arbejder på koden. How will you manage access and security? Det vurderes ikke at der er særlige risici forbundet med at give adgang til det udviklede materiale. Eksempler på de genererede TEI-filer bliver tranformeret til HTML og gemt på webserveren 1.compute.amazonaws.com/sks/ hvor de kan tilgås til test og korrektur. Denne webserver er frit tilgængelig, men linket bliver kun sendt til udvalgte forskere/studerende der skal indgå i testen. Selection and Preservation Which data are of long-term value and should be retained, shared, and/or preserved? Hele tekstsamlingen vurderes at være af langsigtet værdi for det danske samfund og for det internationale forskersamfund. Alt materiale skal derfor langtidsbevares. Når konverteringssoftwaren er færdigudviklet, vil et nyt komplet masterkorpus blive genereret med den udviklede software. Dette vil blive lagt ud på webserveren til endelig verifikation. Dette korpus vil samtidig blive midlertidig gemt på et internt netværksdrev på Det Kongelige Bibliotek som bliver komplet skrivebeskyttet. Når verifikation af konverteringen foreligger fra Søren Kierkegaard Forskningscentret, Københavns Universitet, vil det komplette korpus blive arkiveret på Købrenhavns Universitets datalagringsservice ERDA (erda.dk). What is the long-term preservation plan for the dataset? Data vurderes at skulle bevares i minimum 50 år indtil en ny revideret tekst for Søren Kierkegaards skrifter eventuelt måtte blive etableret. Så vidt det er muligt, ønskes data åbnet for forskersamfundet til fortsat forskning og videreudvikling. Der er dog p.t. ingen konkrete planer for This document was generated by DMPonline.dtu.dk ( 3 of 5

4 dette. Der er planer om at ny-/genudgive udgaven (Søren Kierkegaards Skrifter), baseret på det bevarede TEI-baserede tekstkorpus, forhåbentlig i slutningen af I første omgang forventes dette at ske med udgangspunkt i Det Kongelige Biblioteks system for Danmarks Breve som åbnes vinteren Data Sharing How will you share the data? Data deles under udvikling kun med enkelte KB-kolleger samt, via webserveren, med udvalgte kolleger fra Søren Kierkegaard Forskningscentret. Efter arkivering vil det konverterede tekstkorpus umiddelbart ikke være tilgængeligt, mens den eksisterende sks.dk platform fortsat forventes at være i drift frem til foråret Are any restrictions on data sharing required? Data er allerede fuldt publiceret i sin nuværende form (på sks.dk), og det er ikke hverken rettighedsmæssige eller etiske forhold der fordrer begrænset adgang. Derimod er ERDA-arkivet i sin natur beskyttet af adgangskontrol. Der kan dog eventuelt findes en måde at åbne for adgang, enten gennem at deponere data til et foranstillet data-repositorie, fx Dataverse, eller hvis ERDA får tilføjet faciliteter til at eksponere data. Begge dele undersøges i øjeblikket. I tilfælde af at deling bliver muligt, vil der skulle fastlægges en licens, fx Creative Commons. ERDA-arkivet giver mulighed for at gemme flere versioner af de enkelte datafiler. Det vil derfor under alle omstændigheder blive muligt for udvalgte brugere efter godkendelse af SKC at foretage rettelser i den arkiverede tekst. Rettelser i ERDA vil ikke umiddelbart slå igennem på den nuværende sks.dk. Responsibilities and Resources Who will be responsible for data management? Det Kongelige Bibliotek er ansvarlig for implementeringen af nærværende data management plan, inden for rammerne af DEFF data management i praksis-projektet. Det Kongelige Bibliotek er ligeledes ansvarlig for hovedaktiviteten, konverteringen fra KN1 til TEI og opdateringen af dokumentationen, samt for den praktiske gennemførelse af konvertering og arkivering. Niels Bohr Instituttet, Københavns Universitet, er ansvarlig for drift og videreudvikling af ERDA filarkivet. Der vil skulle indgås en aftale mellem Søren Kierkegaard Forskningscentret/Det Kongelige Bibliotek og Niels Bohr Instituttet om de nærmere omstændigheder for arkiveringen. What resources will you require to deliver your plan? This document was generated by DMPonline.dtu.dk ( 4 of 5

5 Til at gennemføre konverteringen er der ansat en datalogisk specialist, som også var en central aktør for oprettelsen af den oprindelige digitale tekst og platform bag sks.dk. Software og hardware-kravene er minimale og kan opfyldes af en almindelig PC. De konverterede filer på HTML-format lagres på en webserver på Amazon Web Services EC2 som finansieres af Det Kongelige Bibliotek. Brugen af ERDA til langtidsarkivering forventes at være uden omkostninger for Det Kongelige Bibliotek eller Søren Kierkegaard Forskningscentret, idet arkivet drives af Københavns Universitet som også udgør centrets institutionelle forankring. This document was generated by DMPonline.dtu.dk ( 5 of 5