Arquivos Digitais com Semântica

Arquivos Digitais na 3ª geração da Web:
uma ideia com mais de 20 anos
José Carlos Ramalho
jcr@di.uminho.pt
jcr@keep.pt
Encontro Internacional de Arquivos: Instituição, Arquivos e Sistemas de
Informação na Era pós-custodial

A nossa história
Período Projeto
1989 - 1991 HiTeX – Transcrição assistida com semântica
1998 - 2000 Ed. Eletrónica: “Memórias de José Inácio Peixoto”; “Índice das
Gavetas do Cabido”; “Bulário Bracarense”; etc.
2000 Reverse Engineering da BD das “Inquirições de Génere”
2003 – 2013 Digitarq: Gestão de metainformação, ODs, etc.
2006 – 2008 RODA: Preservação Digital
2006 – 2013 CRAV: Consulta Real em Ambiente Virtual
2010 – 2014 SCAPE: projeto FP7 sobre Preservação Digital
2013 - ... Archeevo: a nova geração do Digitarq e do CRAV
2013 – 2015 4C: projeto FP7 sobre Preservação Digital
5 de Outubro de 2013 Encontro Internacional de Arquivos - Faro 2
Um denominador comum:
geração automática de índices
(cronológico, toponímico e
antroponímico). Facilidades: navegação
relacional e não hierárquica.
Produção
massiva de
conteúdos
Milhões de registos
organizados
hierarquicamente:
ISAD, EAD, METS, etc.

De regresso ao passado…
• HITEX (1989-1991): Um Sistema em Desenvolvimento para
Historiadores e Arquivistas
– Normalização: cada um deixar de fazer à sua maneira;
– Reutilização: noção de componente reutilizável com interesse
histórico;
– Classificação: taxonomia padrão de conceitos históricos (classes) que
exprime a ordem de subsunção sobre o conhecimento histórico;
– Tolerância para com informação incompleta: permite a aquisição
incremental de conhecimento histórico;
– Resultados:
• formato HiTeX: uma linguagem de fácil utilização para transcrição documental;
• criação automática de índices: cronológico, toponímico e antroponímico.

Um pequeno exemplo
“Certidão da doação que o arcebispo de Braga D.Martinho de Oliveira fez ao
Cabido de Braga [: : : ] Ano de 1300.”
Início do primeiro volume do Índice das Gavetas do Cabido de Braga
Asserções:
• D. Martinho de Oliveira era o Arcebispo de Braga em 1300;
• Este arcebispo doou qualquer coisa ao Cabido de Braga, nesse mesmo ano;
• O Cabido guardou uma certidão dessa doação;
• Essa certidão está arquivada no fundo documental designado Gavetas do Cabido;
• Uma referência a essa certidão é a que se pode encontrar no fol.1, vol.1 do
correspondente Índice, compilado no século XVIII.
D. Martinho de Oliveira Gavetas do Cabido Certidão X Índice

Modelo ontológico
Qual a relevância disto no contexto atual?

Três vias alternativas para o
desenvolvimento Web
Setembro de 2013 Engenharia Web 2013 6
Comunidades
Equipamento
Aplicações,
Serviços,
Agentes
• Wikis
• Blogs
• Mashups
• Portais
• Computação Ubíqua
• Espaços Inteligentes
• RFID
• Sistemas Embebidos
• Redes Sensoriais
• Metainformação
• Ontologias
• Serviços Web
• Agentes
• Portais Inteligentes

Evolução da Web
Web Arquivos pt
1ª geração Páginas estáticas 1ª geração Informatização
2ª geração Páginas geradas a partir de
conteúdos em SI
2ª geração Acesso Web à informação
em regime de acesso livre
3ª geração Sites que se atualizam
automaticamente mediante
alterações de 3ªs partes:
BBC
• Integração automática de
SI
• Normalização
• Identificadores
persistentes
• ...
3ª geração • Integração
• Dados com semântica
• Novos modelos de acesso
• Aplicações de valor
acrescentado
É preciso aumentar o nível de percepção das “máquinas”…

Hoje: a Web Sintáctica
Setembro de 2013 Engenharia Web 2013 8
Resource
Resource
Resource
Resource
Resource
Resourcehref
href
href
href
href
href
href
href
• Um lugar onde os computadores fazem a apresentação
da informação (fácil) e as pessoas a interpretação e a
navegação (difícil).
• Ideia: Porque não colocar o computador a fazer uma
maior parte do trabalho difícil?

Exemplo: a Europeana

Apenas Semântica?!
Estamos a criar
silos bem
estruturados…
SCOPE AND CONTENT: Contém correspondência dirigida ao SAALN proveniente do
exterior : "Liga para a Protecção da Natureza", "A Voz do Porto", "projecto
omnicooper", sobre assuntos vários.

Semântica & “Linking”
• É necessário que:
– a informação esteja
disponível na Web
• accessível via tecnologias
Web standard;
– a informação esteja
interligada através da
Web;
– ie, a informação pode ser
integrada através
daWeb.
Informação disponível
na Web não é
suficiente…

Linked Open Data, Set. 2010
13

Linked Open Data, Set. 2011
14

Por áreas específicas
5 de Outubro de 2013 15Encontro Internacional de Arquivos - Faro
Gostaria que os sistemas de
arquivo portugueses fizessem
parte desta área nos
próximos anos...

As opções da Europeana
• Geonames: 10 milhões de nomes/designações
geográficos;
• Dbpedia: base de conhecimento que encerra a
descrição de 3,64 milhões de itens;
• Catalog of Life (CoL): catálogo completo de todos os
organismos vivos conhecidos;
• Uniprot: banco de dados sobre sequenciação de
proteínas;
• GEMET: thesaurus que define um vocabulário
controlado para a temática ambiental;
• FOAF: “Friend of a Friend” – ontologia para descrever
pessoas e respetivas relações.

Geonames

Descrição arquivística com
semântica
1. É preciso identificar univocamente os registos
descritivos: utilizando URIs persistentes;
2. Os registos descritivos devem estar num
formato normalizado de modo a que recursos e
respetivas relações possam ser
automaticamente reconhecidos (RDF);
3. Incluir nas descrições o maior número de links
(mínimo = 50 links externos / dataset) possíveis
para outros recursos de informação.

• Para integrar dados é necessário acordar
– nos termos a usar:
• “translator”, “author”
– nas categorias a usar:
• “Person”, “literature”
– nas relações entre aqueles:
• “an author is also a Person…”, “historical fiction is a
narrower term than fiction”
• novas relações podem ser deduzidas.
Vocabulários

O que é preciso?
• Acordo num vocabulário;
• Acordo numa ontologia;
• Embeber esta semântica no “front-end” dos
sistemas de informação atuais (experiências
em curso);
• No fim: vontade e força política (difícil mas
não impossível).

– É necessária uma linguagem de especificação
formal para estes vocabulários;
– Para os definir;
– Para lhes associar semântica de modo a tornar
claro como é que novas relações podem ser
deduzidas.
Vocabulários

• Definição:
Ontologias
“Especificação formal de uma área de conhecimento através da
definição dos conceitos que lhe são subjacentes e relações entre
estes.”
• Conhecimento explícito (fácil);
• Conhecimento implícito (difícil, é preciso torná-lo
explícito).

• Para thesauri, glossários, etc: SKOS
• Para definir vocabulários mais complexos com
alguma lógica subjacente: OWL
• E uma framework para definir regras sobre os
termos e a informação: RIF
• RDF/XML para representação dos modelos
semânticos
Emergiram 3 tecnologias e 1
formato

Do bit à Semântica:
XML
RDF
NameSpaces XML Schema
Unicode URI
RDF Schema
Ontologias
Lógica
Prova
Topic
Map
s
245 de Outubro de 2013 Encontro Internacional de Arquivos - Faro
Vocabulários

Último exemplo: Inquirições de
“Génere”
• Motor SPARQL: http://librdf.org/query
• Ontologia light:
http://www.di.uminho.pt/~jcr/XML/sparql/in
quiricoes-light.owl
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX owl: <http://www.w3.org/2002/07/owl#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema>
PREFIX inq: <http://jcr.di.uminho.pt/ontologias/rc2012/inq.owl#>

Interrogações: Nomes dos
indivíduos?
SELECT ?na
WHERE {
?a inq:nome ?na.
}

Os pares de nomes dos que são
Irmãos?
SELECT ?na, ?nb
WHERE {
?a inq:Irmao ?b.
?a inq:nome ?na.
?b inq:nome ?nb
}

• Publica a tua informação primeiro, preocupa-te com as
interfaces/aparência depois!
– a “informação crua” pode ser útil assim mesmo e outros
poderão usá-la;
– podes acrescentar-lhe valor, mais tarde, criando-lhe
acessos sofisticados.
• Se possível, publica a tua informação em RDF caso
contrário, outros poderão ajudar-te na conversão
– confia na comunidade…
• Acrescenta links para outras fontes. “Apenas” publicar
não é suficiente…
Algumas recomendações

Oportunidades
• Horizonte 2020: este é um dos eixos principais de
financiamento na área das TIC;
• Criação de novos produtos: site da BBC, Retrievo,
Archeevo, …
• Se ligarmos à LOD o nosso repositório estamos a
maximizar a sua visibilidade e a aumentar
potencialmente o número de visitas;
• Os motores de busca tipo google já tiram partido
da informação semântica se esta estiver
disponível.

Dificuldades
• Se descrever arquivisticamente consome
recursos, descrever conteúdos consome ainda
mais;
• Voluntariado (folksonomias na prática)
– é preciso preparar o terreno;
– controlar/definir os vocabulários usados;
– criar política de contribuições.

Exemplo: www.retrievo.pt

Pensamentos “soltos”
5 de Outubro de 2013 Encontro Internacional de Arquivos - Faro
Linguagem
Informação
Conhecimento
Estamos algures entre
a Informação e o
Conhecimento...
32

José Carlos Ramalho
KEEPS/Universidade do Minho
jcr@keep.pt / jcr@di.uminho.pt
Questões?
http://www.keep.pt

Arquivos Digitais com Semântica

Mais conteúdo relacionado

Semelhante a Arquivos Digitais com Semântica (20)

Último (19)

Arquivos Digitais com Semântica