Semesteroppgave i arkiv og dokumentbehandling Våren Digital depot

Transkript

1 Semesteroppgave i arkiv og dokumentbehandling Våren 2012 Digital depot Høgskolen i Oslo og Akershus, Avdeling for journalistikk, bibliotek- og informasjonsfag, arkiv- og dokumentbehandling, JBI 0

2 Semesteroppgavens tittel: Semantikk og arkiv; semantikk med tanke på langtidsbevaring 1

3 Innholdsfortegnelse: 1.0 Innledning s Problemstilling s Begreper relevante for oppgaven s Historikk; språk i endring, hvor kommer semantikken inn? s Representasjonsinformasjon s Kort om Ogdens trekant s Områder relevant for mulig forandring av semantikk s Semantikk og metadata s Semantikk i standarder; arkivpakkemodell s Semantikk, søk og gjenfinning s Konklusjon s. 18 Litteraturliste s. 20 2

4 Semantikk og arkiv; semantikk med tanke på langtidsbevaring 1.0 Innledning Nå som vi begynner å få større og mer omfattende arkiver, begynner behov for gjenfinning og hensyn til bruk av arkivalier i ettertid å bli enda mere omfattende. Informasjonsgjenfinning er ikke nødvendigvis manuell lenger. Før i tiden, da arkivene var mindre og det var enklere å skaffe seg oversikt over innhold, trengte man ikke så intrikate teknikker for gjenfinning som i dag. Nå har arbeid på papir, som saksbehandling og papirarkiver begynt å bli noe avleggs, især i forvaltningsøyemed, blant annet på grunn av store arbeidsmengder. Vi begynner nå å gå over til hel-elektronisk danning og bevaring av arkivdokumenter, dvs. dokumenter som må bevares på grunn av forvaltningsmessige, juridiske, kulturelle og historiske årsaker. Før angikk kanskje semantikken mest ord som ble brukt i daglig tale. Nå kan det kanskje sies at også begrepet semantikk i seg selv har fått en større betydning, blant annet på grunn av stadig nyutviklende teknologi. Fordi nå må også begrep som blant annet brukes ved digital arkivdanning, filformater, dataprogrammets tolkning av bit-strømmen på grunn av migrering også inkluderes. Vi må ved arkivering, lagring og langtidsbevaring tenke på hva maskinen forstår og hva mennesket forstår, dette også for ettertiden, og kanskje især med tanke på senere ettertid. Semantikken er et område innenfor arkivfaget som ikke ser ut til at har fått så stor oppmerksomhet som den kanskje burde, gjerne med tanke på langtidsbevaring. Foruten om en av rapportene til LongRec prosjektet, et prosjekt i regi av Det Norske Veritas (DNV) med partnere, som går ut på en studie av den semantiske verdien i arkivfaglig øyemed, er det ikke mye litteratur å få tak i om faget foreløpig (Myrseth et al s. 1). 1.1 Problemstilling Ord, setninger, tegn, symboler og ideer om begrep, og deres betydninger har vist seg å forandres over tid. Nye ord og begreper kommer til, mens andre faller fra, blir foreldet, og kanskje de forsvinner helt fra den daglige tale (Riksmålsforbundet.no). Mens andre ord får en fornyet mening og betydning, og går igjennom en slags utvikling (Sødring lysark; Semantikk og arkiv, 2012). For eksempel begrep som telegrafi, kan sies og på en måte ha blitt utdatert for ordet telefoni, dette av mange årsaker som ikke er relevante for denne oppgaven. I denne oppgaven skal det ikke snakkes om grunnene til forandringer bak ords utvikling. Her er det sett ut i fra at det faktisk skjer og hensikten blir å skulle se på hva det kan ha å si for arkivet, med tanke på dokumenter og langtidsbevaring av disse, og at disse helst skal kunne leses om 3

5 kanskje flere hundre år fra den tiden de lages, eller lagres. Kan hende det er slik at ettersom små deler av historien har blitt funnet dokumentert opp igjennom tidene, som for eksempel Rosettasteinen, så har man blitt mer ivrige på å skulle dokumentere og arkivere ut i fra historiske, kulturelle og forskningsmessige årsaker, fordi vi finner det interessant å skulle prøve å forstå kulturer og utvikling ut i fra slike arkivalier (arkivdokumenter). Det kan være grunnet i et slags ønske om å vise ettertiden noe om hvordan det en gang var, her og nå. Rosettasteinen antas utskåret i 196 B.C. og ble funnet i Teksten på steinen sies å være en hyllest til den egyptiske faraoen, og er skrevet med tre skripter som ble brukt i Egypt ca. 196 år før Kristus. Fordi det allerede, gjennom århundre, var dokumentert noen språkforklaringer på de tre skriptene, kunne Champollion, som oversatte teksten klare å sammenligne og tolke skriptene sammen og finne ut hva der stod. Det var syv dialektiske tegn på Koptisk, som Champollion var nødt til og på en måte å kryptere for å kunne tolke teksten (British Museum udatert). Gjennom blant annet å studere semantikken, klarte han til slutt å knekke koden for å kunne lese og oversette teksten på hele steinen. Et spørsmål er å se på hva det til slutt vil bety for langtidsbevaring av arkivalier, at ordene for å gjenfinne dokumenter og deres innhold sånn smått begynner å forandre betydning. Man kan spørre om det har noe å si for gjenfinning og bruk i ettertiden; kan tap av semantikk, gi tap av mening og kvalitet? Hensikten med slike spørsmål, er å komme frem til om hensyn til semantikk er noe som man burde ta større hensyn til ved utførelsen av det arkivfaglige arbeidet, med tanke på langtidsbevaring av arkivdokumenter. Oppgaven er bygd opp slik at den innledes med begrepsforklaring og historikk, før andre områder relevante for semantikken blitt gjort kort rede for. Deretter skal jeg se på semantikk i forhold til standarder for depot og i forhold til metadata, langtidsbevaring og søk. Hensikten med dette er å få en avgrenset oversikt over områder hvor betydningen av hensyn til semantikk kan være relevant for langtidsbevaring av arkivdokumenter. Oppgaven er derfor rettet mot arkivdokumenter som skal avleveres til depot. 1.2 Begreper relevante for oppgaven Lingvistikk kan forklares som den vitenskapelige delen av studiet av menneskers språk og tale. Semantikk er en del av lingvistikken, og betyr studiet om mening, eller man kan si betydningsvitenskap. Ordet har gresk opprinnelse, samme som -logi, hvor sema betyr tegn, og -logi, kan defineres som læren - eller vitenskapen om. Et annet ord for studium av semantikk 4

6 er Semasiologi, og kan tolkes som læren - eller vitenskapen om tegn, og er studiet av forholdet mellom tegn og symboler og hva de representerer. Lingvistikk blir noe mer overordnet og tar for seg studiet om mening, forandring i mening, og prinsipper som styrer forholdet mellom setninger eller ord og deres mening (definisjoner er hentet, tolket og kombinert fra ordbok.no, thefreedictionary.com & dictionary.reference.com). Arkivdokument, eller bare dokument, i denne oppgaven defineres ut i fra arkivlovens 2 a, som et dokument som er ei logisk avgrensa informasjonsmengd som er lagra på eit medium for seinare lesing, lyding, framsyning eller overføring et dokument. Det vil med dette si at et dokument kan være av papir, lydbånd, på DVD og andre objekter som er brukt som gjenstand for å lagre informasjon. For oppgaven er ikke selve objektet viktig, men ord, setninger, tegn, symboler og ideer om begrep, og deres betydninger, som blir brukt for å skulle finne dokumentene, deres sammenheng og deres betydning i senere ettertid (Myrseth et al s. 2). 2.0 Historikk; språk i endring, hvor kommer semantikken inn? I historisk kontekst blir semantikk viktig på grunn av tolkning og forståelse, som for eksempel dette med oversettelsen av skriftene på Rosettasteinen. Man trenger å forstå ord og tegn, men også sammenhengen i selve teksten for at den skal gi mening. Et annet eksempel kan være tolkning av bøker og deres innhold, som Bibelen og Koranen (Myrseth et al s. 4). Disse tolkes for å mene noe i moderne tid, selv om de ble skrevet for mer enn to tusen år siden (Sødring forelesning; Semantikk og arkiv, 2012). Lærdes strides om hva som er den rette betydningen og oversettelsen av ord, setninger, begreper, tegn og lignende, hvilket har resultert i kontinuerlige nye oversettelser av skriftene. Nok et eksempel blir å skulle forstå gotisk skrift, det og for eksempel skulle tolke gamle brev. Ikke bare er skriften i seg selv vanskelig å forstå, selv for faglærte, men også måten setninger er bygd opp og uttrykk som er brukt, byr på tolkningsproblemer. Men når dokumenter blir produsert kan vi ikke, eventuelt tar vi ikke hensyn til slike ting. Vi skriver og formulerer våre dokumenter slik som språket er på den tiden de blir produsert. Det er hovedsakelig tre måter semantikk kan brukes på innenfor dette området, og det er ved arkivdanning, og at depot får semantikken med ved avlevering (arvet), eller at depot må prosessere arkivmaterialet selv (Sødring lysark; Semantisk web og arkiv, 2012). Det vi derimot kan ta hensyn til er at, nå som vi vet at ordene også går igjennom en utvikling, så kan vi prøve å ta hensyn til dette når vi setter bort 5

7 arkivdokumentene til depot. Især med tanke på elektroniske arkivdokumenter, som kan bli samlet i enorme mengder og kan blant annet inneholde både tekst, bilder, lyd og film. Om det er arkivdanner eller depot som får ansvaret for dette er ikke viktig her, men poenget er at det kan bli gjort. Etter at dokumentene har blitt avlevert og gjort om til arkivpakker for langtidsbevaring i depot, kan det være noe for sent å skulle gjøre noe med det. Dette også med tanke på arkivdokumentenes autentisitet og integritet. Tukling med data etter ferdiggjøring kan gjøre juridiske dokumenter ugyldige. Allikevel kan, som nevnt, semantikken settes inn når man overfører dem til bevaring. Dokumentene må med andre ord tilsettes en slags representasjonsinformasjon, slik at de kan blir funnet og forstått i ettertid (Sødring forelesning; Semantikk og arkiv, 2012). En måte å gjøre dette på er å tilføre dem dette ved siden av, gjerne i form av en slags tilleggs informasjonsdata eller metadata, dvs. data om data (Sødring lysark; Introduksjon til metadata, 2012). Det er blant annet her hensynet til semantikken kan komme inn, gjennom representasjonsinformasjon. Hensyn til semantikk i metadata er ikke nok for å sikre forståelighet (Myrseth et al s. 4), men dette berøres senere i oppgaven. 2.1 Representasjonsinformasjon Man kan med andre ord si at arkivdokumentene består av data, på en eller slags måte, eller er data i seg selv. Dette enten de er rådata (ubehandlet data) eller noe fortolket data. Poenget er at data i seg selv ikke alltid gir mening. Data kan sies å være et utrykk eller en uttalelse om en observasjon (Sødring forelesning; OAIS, 2012). Man trenger noe å skulle tolke den med, man må sette den innenfor en kontekst. Noen ganger trenger man ytre hjelpemidler for å kunne sette dataen i kontekst, som å bruke representasjonsinformasjon. Begrep om semantikk blir Visdom Kunnskap Informasjon Data Sødring lysark; Informasjonsgjenfinning, 2012 derfor viktig å ta hensyn til gjennom denne prosessen. Data som tolkes med sin representasjonsinformasjon gir følgelig informasjon. Informasjon kan da forklares som data som har blitt behandlet for å være nyttig. Kunnskap er det grunnlaget man bruker når man utøver en handling basert på informasjon (Sødring). Hvis man ser på modellen til venstre, er det her et forsøk på å vise en hierarkisk fremstilling av tolking av data, hvor målet på en måte blir å oppnå en slags visdom gjennom først å akkumulere data som man videretolker til den gir mening på en måte som kan brukes på en særdeles intelligent måte. 6

8 Arkivdokumentene som skal avleveres depot kan for eksempel avleveres som en informasjonspakke etter DIAS-modellens prinsipper (Sirevåg 2010). Man kan si at en informasjonspakke, i dette tilfellet en arkivpakke i depot, er en konseptuel beholder for to typer informasjon, hvor den ene er innholdsinformasjon og den andre er bevaringsbeskrivende informasjon. I delen for innholdsinformasjon har man, etter DIAS modellen; datafiler (selve dokumentene) og tekniske metadata. Det er blant annet (men ikke bare) i sistnevnte at semantikken er viktig, fordi det er her i henhold til denne pakkestrukturen at all nødvendig informasjon for å fremstille objektet på nytt skal lagres (Sirevåg). Under bevaringsbeskrivende informasjon finnes det (etter Dias-modellen) fire typer informasjon; referanse, proveniens, kontekst og stabilitet. Kanskje især viktig for semantikken blir proveniens og kontekst, da man under førstnevnte skal sette inn den overordnede arkivbeskrivelsen for avleveringspakken, altså beskrive innholdsinformasjonen. Mens man i sistnevnte skal føre inn overordnet og detaljert kontekstinformasjon, altså hvordan informasjonsinnholdet forholder seg til omgivelsene de er skapt i og behandles til enhver tid, beskrive hvorfor materialet er skapt og hvordan den relaterer til andre infopakker (Sødring lysark; OAIS, 2012). 3.0 Kort om Ogdens trekant Den semantiske triangelen (under) er en figur utarbeidet av C. K. Ogden og I.A. Richards (begge ved universitetet i Oxford) i 1923, i boken The Meaning of Meaning: A Study of the Influence of Language upon Thought and of the Science of Symbolism. Richards beskriver en teori om tegn, at det er en sammenheng mellom ord og ting og at de er forbundet med hverandre gjennom en slags kontekst. Triangelen viser relasjonene mellom ting, ord og mening (Myrseth et al s. 6): Meningen av noe Thought or Reference Ord i en ordbok Symbols Dokument om en referent Ting som eksisterer Referent 7

9 Et forsøk på å forklare triangelen ut i fra denne settingen (oppgaven), er arkivdokumentet selve rektangelet. Symbolet er ordet som identifiserer referansen, men referenten er det som er det spesifikke objektet. Referansen er ideen eller tanken, den logiske forståelsen av symbolet (s. 7). Satt på spissen kan man si at referansen er i forandring, og at ordet som leses kanskje ikke gir referenten den meningen den opprinnelig en gang hadde. Et eksempel satt på spissen kan være ordet skrivebord, som for eksempel i 1970 ville hatt meningen om å være et brett med fire ben - et bord, hvor man kan sitte og skrive med blekk og penn, mens det i dag kan oppfattes som en digital dataskjerm, hvor man skriver via et tastatur. En annen måte pekere fra en referanse kan vise seg å være vanskelig å tolke er gjennom LongRec rapportens eksempel på et tre (s. 7). Et tre kan være en plante, men det kan også være en skog, et diagram eller en annen oppfatning, som for eksempel at en triangel i dette tilfellet utløser ideen om Ogdens triangel og ikke et instrument. Det er mange årsaker som ligger bak de forskjellige måtene å oppfatte og logisk tenke ut en forklaring, løsning og plassering av noe. Det har blant annet noe å si på språket vårt om hvor utviklet det er, eller kulturell og religiøs bakgrunn, og andre ting. Måten man forstår verden på forandres over tid, men dette kommer ikke frem av selve triangelet (s. 8). 4.0 Områder relevant for mulig forandring av semantikk Med semantikk mener vi som sagt det å studere mening, forholdet mellom ord, setninger, symboler og tegn (Myrseth et al s. 1). Derfor må det også, når det snakkes om ord, inkluderes synonymi, antonymi, hyponymi og homonymi (Sødring lysark; Semantikk og arkiv, 2012). Med dette i minnet blir det lettere å forstå områdene relevante for mulig forandring av semantiske verdier identifisert av LongRec prosjektet. De avdekkede områdene er de man kom frem til som har en livssyklus, som gjør at forandring kan skje over tid (s.1). Områdene tatt opp er; hvordan arkivdokumentene er produsert, lover og reguleringer, brukere av arkivdokumentene, presentasjonen av arkivdokumentene, symbol og terminologi relatert til tema, referanse og kunnskap om det aktuelle tema (ontologi), referent eller selveste objektet, verdensbilde og kontekst, og til slutt mottiltak som er brukt for å sinke forverring av semantikken eller loggen som dokumenterer ting som er gjort med arkivdokumentene over tid (s. 2). Synonymi er ord som er ulike i seg selv, men allikevel har nesten lik betydning, som kald og kjølig. Et antonym er ord som betyr det motsatte av et annet ord, som kaldt og varmt. 8

10 Hyponymi består av hyponym og hyperonym (Sødring lysark; Semantikk og arkiv, 2012). En hyponym er et underordnet begrep, som for eksempel katt, og hyperonym er et overordnet begrep som i dette tilfellet passende kan være pattedyr. Med dette menes at pattedyr er et overordnet begrep fordi alle katter er pattedyr, men ikke alle pattedyr er katter. Et homonym er ord som er like, men allikevel betyr noe forskjellig, som for eksempel lyst, som kan vise til om det er lyst utendørs, eller om man har lyst til å spise is. Uttalelse kan avsløre i hvilken mening man mener ordet, men dette kommer ikke frem i skrevet form, blant annet derfor blir ord innenfor disse områdene semantisk viktige i arkivfaglig sammenheng. Av områdene relevante for forandring av semantiske verdier valgte LongRec gruppen å ta for seg seks områder de utdypet; symboler, referanse, referent, data om et objekt, verdensbilde og mottiltak. Med symboler her i denne sammenhengen menes objekter, bilder og andre konkrete representasjoner (Myrseth et al s. 10). Et symbol kan være ord i et språk, som for eksempel et kinesisk tegn som har blitt modernisert for å kunne skrives enklere. Det kan bli vanskelig i ettertid å være sikker på tegnets riktige mening hvis ikke denne utviklingsprosessen har blitt dokumentert. Andre symboler kan være for eksempel karakterer, tall, trafikkskilt eller ikoner. Dette med ikoner kan bli litt interessant på grunn av diskett - ikonet (floppydisc) i programmet Word som brukes til å symbolisere funksjonen for lagring. Denne typen diskett begynner å bli avleggs, og er på vei til å miste sin opprinnelige mening. Man må bli fortalt at det er lagringsfunksjonen, ellers er det ikke meningen nødvendigvis gitt for alle mennesker, især nyere generasjoner. En utfordring generelt blir å skulle skape broer mellom alle symboler i en omfattende ordbok (s. 10). På den måten kunne man ha fått en forbindelse mellom symboler som kan hjelpe med forståelse og tolkning. En referanse er et konsept eller klasse med dets definisjoner og attributter (s. 11), eller ontologi, studie om ting slik de faktisk er. Forenklet sett er en ontologi et sett med referanser og deres definisjon, attributter og bruksområder (s. 11). Ontologien blir derfor sensitiv overfor forandringer over tid. Det er to hovedmåter ontologien kan forandres på; bruks-drevet og data-drevet. Bruksdrevet forandring skjer ved at brukeren av arkivdokumentene forandres eller at bruksmåten av dokumentene har forandret seg. Prosessen må justeres for at mønsteret for gjenkjenning og mening skal komme frem igjen. Data-drevet forandring kan bety at bit-strømmen i et arkivdokument har blitt forandret på grunn av migrering i et forsøk på å holde tilgjengeligheten på informasjonen åpen, eller at måten dokumentet har blitt lagret på er blitt foreldet og ikke oppdatert. En referent er et eksempel av en referanse (s. 18). I semantikken er 9

11 referanse stort sett psykologisk, den innlærte/ selvlærte oppfatningen av noe. For eksempel kan ideen hus presenteres for noen, og i deres egen forståelse kan de visualisere noe som minner om en villa, mens det for en annen kan bety en leilighet. Det blir semantisk hensiktsmessig å passe på at alle dokumentene blir linket til både objekt og subjekt, eller objekt og objekt, eller subjekt og subjekt, slik at misforståelser unngås. Som for eksempel hvis man står overfor en person og ber dem ta et steg til venstre, blir det ofte enten gjettet at det er til personens venstre, men det kan også bety kommandørens venstre, hvilket da betyr at personen må ta et steg til sin egen høyre side. I legejournaler blir slike linker elementære for å vite hva som er gjort hvor, når og av hvem. Data om et objekt, et arkivdokument, kan være tekst, bilder, tabeller og lignende, som beskriver en referent. Inn under denne kommer datakvalitet og metadata. Med datakvalitet menes her blant annet at fullstendigheten av informasjon må være til stedet. Det vil si at den må være korrekt, aktuell, akkurat, fullstendig, relevant og tilgjengelig slik at den gjør dataen hensiktsmessig for bruk. Under datakvalitet kommer tre semiotiske nivåer; syntaktisk, semantisk og pragmatisk. Et eksempel kan være å ta for seg et trafikkskilt, hvor formen, meningen og tolkningen av skiltet kan bli brukt til å definere overensstemmelse til databasen dataen om skiltet er lagret, den virkelige verden og hvordan skiltet er passende til å skulle brukes. Sammen kan de tre gi nok informasjon til at et skilt gir mening (s. 20). Når det gjelder verdensbildet og kontekst, så er det flere områder som blir berørt av utvikling, som blant annet oppfatning av ting, intensjonen til personen som skrev dokumentet kan misoppfattes om ikke konkret fortalt hva den er. Et eksempel er hvordan verdenshistorien stort sett har blitt dokumentert av menn, og derfor beskrevet ut i fra deres synspunkt (s. 23), eller hvordan innvandringen til Amerika stort sett er dokumentert av de vestlige innvandrerne, mens det mangler mye dokumentasjon fra urbefolkningens synspunkt og opplevelser. Historien blir skrevet og fortalt videre slik fortelleren ønsker, et annet eksempel på dette er løgner som ble avslørt i ettertid i nazistisk historiefortelling om hva som egentlig skjedde under andre verdenskrig. For å dekke dette området på en mer semantisk utfyllende måte, kan man ha som tommelfingerregel å skulle besvare hvorfor, hvordan, når, hvor, hvem og hva (s. 24). Sammen kan svarene, så fremt de er fortalt i sannhet, gi et mer heldekkende bilde, og kanskje til og med avsløre selvmotsigelser. Ved mottiltak av tap av semantisk verdi, kan man se på prosessuelle tiltak og administrative tiltak. Det kan være vanskelig å finne semantikken i gamle arkivdokumenter, det vil si at man har lite eller ingen eksplisitt informasjon om kontekst, eller verdensbildet til forfatteren og heller ingen metadata. For å forhindre dette blir derfor blant annet utfylling av 10

12 representasjonsinformasjon og linking til andre dokumenter og fakta grunnleggende for senere helhetlig bevaring og tolking av dokumentet. Det vil også behøves definisjoner og forklaringer, utfyllende ontologi ved metadataene, for at de også skal gi mening (s. 26). 5.0 Semantikk og metadata En record som LongRec rapporten beskriver er det samme som ett arkivdokument (Myrseth et al s. 20). Det kan være tekst, bilder, nummer, tabeller, altså noe som beskriver en referent (som forklart i Ogdens modellen). Som nevnt trenger man fellesnevnere for å få en forent oppfatning av hva en referent er i virkeligheten. Metadata, data om data, er ment for å sikre slik datakvalitet, men er allikevel ikke nok alene for å kunne gi en fullstendig detaljert beskrivelse av et arkivdokument slik at det kan tolkes og forstås i ettertid. Dette er blant annet fordi kontekst metadata ikke dekker de tidligere nevnte områdene som er relevante for mulig forandring av semantiske verdier ved arkivdokumenter (Myrseth et al s. 4). Konteksten kommer mer tydelig frem for eksempel gjennom video opptak av et teaterstykke enn bare å høre en lydavspilling av det (s. 20). Metadata er ord, setninger, tegn, symboler og ideer om begrep som er utsatt for forandring over tid. Dog en av hensiktene med å bruke metadata er blant annet å forbedre samhandlingen mellom de to aktørene, menneske og maskin, og heve informasjonskvaliteten. For å få til dette må definisjoner og oppfatninger av hva informasjonen betyr og brukes til, være kjent slik at man tolker den riktig. Når det gjelder dette er arbeidet for fornyelse og forbedring, så er det i gang (i Norge), blant annet gjennom prosjekter som Semantikkregisteret for elektronisk samhandling (SERES). Målene er å forbedre elektroniske selvbetjeningsløsninger for privatpersoner og næringsliv, samhandlingen mellom offentlige aktører og etablere en felles elektronisk basistjeneste. Dette blant annet gjennom å lage et felles grunnlag for metadatadefinisjoner for grunndata (Brønnøysundregistrene udatert). Med arbeid som dette til grunn er kan depot, som nevnt tidligere, arve semantikken fra arkivdanner, og forhåpentligvis en den gjort såpass grundig at den gir verdi for ettertiden. Generelt sett har alle informasjonsobjekter tre funksjoner. Innhold forteller om innholdet og egenverdien (indre verdi) til selve informasjonsobjektet. Konteksten indikerer hvem, hva, hvor, og hvordan aspekter assosierer med skapelsen (ytre verdi) til et objekt. Struktur relaterer til det formelle settet av assosiasjoner innenfor eller blant informasjonsobjekter (Gillian 2008). En måte å prøve å få metadata til å dekke alle disse aspektene, er å se på kategorisering 11

13 av den. Metadata kan for eksempel kategoriseres i fem områder; administrativ, beskrivende, bevarende, teknisk og bruk (Gillian 2008 & Myrseth et al s. 21). Den administrative delen er kanskje mer i den arkivdannende fasen, men blir allikevel relevant i bevaringsperspektiv, fordi forvaltningen av dokumentene har noe å si på hvordan de til slutt ender opp i konteksten som blir avlevert til depot. Den beskrivende metadataen brukes blant annet til å katalogisere arkivdokumentene, utvikle finding aids, eller hjelpemidler for søk, utvikle indekser, beskrive hyperlinker, og beskrive metadata for arkiv systemer generert av arkivskaper. Disse kan derfor bidra til veiledning av danningen av arkivpakker. I bevaringskategorien defineres metadata som er relatert til bevaringsstyringen av informasjonsresursene. Her beskrives blant annet dokumentasjon av den fysiske kondisjonen til resursene, handlinger som er foretatt for å bevare de fysiske og digitale versjonene av resursene, som datafornyelse og migrasjon. Dette blir især relevant fordi man kan stort sett ikke kan migrere digitale arkivdokumenter uten at noe i bit-strømmen forandrer seg. Allikevel, selv om noe av integriteten i arkivdokumentet utfordres en del behøver det ikke bety at den ikke er autentisk, og at man foreløpig må godta dette så lenge det er bekreftet uendret logisk informasjonsinnhold (Sirevåg 2010). Dette kan gjøres under denne delen av bevaringsbeskrivende metadata. Under den tekniske delen skal man ha metadata som relaterer til hvordan et system fungerer eller hvordan metadataen oppfører seg. Eksempler her kan være dokumentasjon på maskinvare hardware) eller dataprogram (software). Det kan også være informasjon om formater, kompresjoner av filer foretatt, forholdstall og oversikt over systemets responstid. Viktig er også autentisering og sikkerhetsdata, som krypteringsnøkler og passord. I delen for bruk defineres metadataen relatert til hvilket nivå og hvordan bruk av informasjonsresursene er gjort, som for eksempel tilgjengeliggjøring av arkivdokumenter og sporing av bruker adferd (Myrseth et al s. 21). Utfordringer av datakvalitet kan oppsummeres i ti grunnleggende forhold: 1) Det er mange datakilder av samme informasjon, men som har forskjellige verdier. Kan hende kildene er oppdatert i ettertid og man kan til slutt ikke være helt sikker på hva som er rett. 2) Det er subjektiv bedømmelse i data produksjon, beskrivende metadata blir partisk. 3) Det er begrenset tilgang til databehandlings ressurser. Man får ikke tak i det man trenger. 4) Det er mangel på sikkerhet. Man må passe på at folk som ikke skal ha tilgang til viss informasjon ikke får det. Her blir sikkerheten utfordret konstant av for eksempel hackere, hvis det er systemer som ligger tigjengelig via internett. 5) Kodede data på tvers av disipliner kan ende opp med å ikke stemme over ens, eller de kan bli for vanskelige å forstå. Brukervennligheten 12

14 blir for mye utfordret. 6) Data representasjonen kan bli for kompleks. Det kan mangle algoritmer for automatisert innholdsanalyse på tvers av forekomstene av tekst og bilde informasjon. Ikke-numerisk informasjon kan bli vanskelig å få indeksert på en måte som tillater gjenfinning av relevant informasjon. Dette kan blant annet gi seg fatale utslag for neste steg. 7) Det er for store volumer av data, og man finner ikke det mans skal, eller at gjenfinning er generert slik at det tar for lang tid å utføre søk. 8) Input reglene er for strenge eller de blir forbigått. Unødvendige kontroller, og kompliserte input metoder kan gjøre slik at man enten ikke har tid, forståelse eller ønske om å taste inn all data som er nødvendig for senere gjenfinning. Dette gir seg blant annet utslag i tap av data. Hensyn til semantikk blir umulig å foreta hvis man ikke har noe å jobbe med. 9) Det skjer stadige forandringer av data behov som utfordrer datakvalitet, fordi nye regler skal plutselig bli fulgt og prosesser blir forandret, systemer oppdatert. Man må finne en måte å få ting til å henge sammen på. 10) Systemene som blir distribuert er av ulik art og gjør det vanskelig for integrasjonen mellom systemene og dataen. Dette utfordrer semantikken fordi data kan enten gå tapt eller bli forvrengt og ikke lenger bety det den skal (Lee et al s. 95). Øking av den semantiske interoperabiliteten kan oppnås gjennom felles begreps- og informasjonsmodeller, dette innenfor hvert aktuelt samhandlingsområde. Dette kan gjøres gjennom begrepsmodeller (metadataspesifikasjoner) og informasjonsmodeller som blir gjort tilgjengelig. Dette kan blant annet gjøres ved etablering av felles grunndata, eksempler på dette er SERES og personregisteret. En måte å gjøre dette på er å lage et oversiktelig og ikke for komplisert brukergrensesnitt som oppfylle kravene, men man må passe på at leverandører ikke lar proprietære løsninger gå på bekostning av semantikken (Horn 2007 s. 18). Åpen kildekode kan være en løsning. 6.0 Semantikk i standarder; arkivpakkemodell Metadata brukes som nevnt til å beskrive, identifisere, gjenfinne, lokalisere, bruke, definere, bevare og beskrive bevaringskvalitet (Sødring lysark; Metadata 2012). Metadata i seg selv er ikke nok alene for å sikre forståelighet, semantikk og datakvalitet må kombineres (Sødring). Et forsøk på å lage en modell som oppfyller slike krav er utført av DIAS-prosjektet. DIAS (digital arkivpakkestruktur) prosjektet er et samarbeid mellom Riksarkivaren og fire kommunale aktører. Deres hovedmål er å definere en felles pakkestruktur for bevaring av digitalt arkivmaterialet (Sirevåg 2010). Dette er i hovedsak beregnet på norske depot. 13

15 Strukturen skal kunne anvendes fleksibelt for alle typer av digitale leveranser til offentlige depoter. De har tatt utgangspunkt i Open Archival Information System (OAIS-standarden) og valgt følgende, tilpassede, standarder for implementering av DIAS arkivpakkemodell: Metadata Encoding and Transmission Standard (DIAS-METS), Preservation Metadata: Implementation Strategies (DIAS-PREMIS), Encoded Archival Description (EAD), Encorporate Archival Context Corporate bodies, Persons and Families (EAC-CPF) og Archival Data Description Markup Language (ADDML) (Sødring forelesning; DIASprosjektet 2012). DIAS modellen blir derfor mer som en standard for bruk av standarder. Siste fase av prosjektet går ut på å skulle utvikle et forvaltningssystem (Arkivverket udatert). I og med at det er disse standardene som ser ut til å bli de mest relevante innenfor depot fremover, er det de som er valgt ut her. Den semantiske utfordringen ligger blant annet innenfor metadata elementene i disse standardene, eller i arkivpakkemodellen. OAIS modellen er en overordnet funksjonsmodell og presenterer ikke noen endelig kravspesifikasjon for et elektronisk arkiv, det er blant annet dette de andre standardene er innhentet for. Semantikken komme inn under bevaringsplanleggingsdelen i depottjenesten etter OAIS-modellen (Sødring forelesning; semantikk og arkiv 2012). En informasjonspakke kan se ut som dette: Sødring lysark; OAIS

16 Semantikken på tas hensyn til i alle aspekter i en slik pakke, både under pakkebeskrivelse, pakkeinformasjon, i innholdsinformasjon, i bevaringsbeskrivende informasjon, i tekniske metadata og forhåpentligvis har arkivdanner tatt hensyn til god semantisk praksis slik at det er enkelt å finne frem i datafiler, hvor dokumentfilene befinner seg. DIAS-METS utgjør det strukturelle kartet og inneholder 110 elementer/attributter som eksempelvis <MetsHdr>, og disse er skrevet i XML (Extensible Markup Language), hvor den overordnede pakkeinfoen befinner seg i en arkivinformasjonspakke (Sødring lysark; METS 2012). Når det har vært snakk om metadata ovenfor har det vært tenkt informasjonen som skal settes inn i modellen, slik som den er illustrert under. Dette er et eksempel på en DIAS-modell arkivinformasjonspakke, slik den er i depot: Sødring lysark; DIAS 2012 All informasjon tilegnet denne pakken er bevaringsbeskrivende informasjon. Inn under MetsHdr kommer structmap, som beskriver strukturen i mappen avlevert, og i filesec er oversikten over filene. Semantisk sett kan disse navnene på elementene bli litt kompliserte. Når det har vært snakk om den beskrivende informasjon, dmdsec, er standardene EAD og EAC-CFP tiltenkt for den delen. EAD er standarden for logisk arkivbeskrivelse og har 238 elementer/attributter skal beskrive de digitale objektene i arkivpakken. EAC-CFP beskriver 15

17 arkivskapere og aktører arkivmaterialet handler om, i sine 135 elementer/attributter. Den administrative metadataen, under admsec, er tiltenkt standardene DIAS-PREMIS og ADDML. DIAS-PREMIS spesifiserer bevaringsmetadata i en OAIS-basert arkivpakke, som for eksempel den illustrert ovenfor. Her skal det i 212 elementer/attributter dokumenteres hendelser og håndteringshistorikken gjennom arkivpakkens livssyklus fra og med mottak i arkivdepot. ADDML er Riksarkivets egen utarbeidede standard og har 92 elementer/attributter som brukes for teknisk strukturbeskrivelse, eller teknisk beskrivelse av poststrukturerte datafiler (database/datauttrekk) på teknisk detaljnivå (arkivverket udatert). Kort formulert beskriver metadata til et digitalt objekt innhold (det indre), kontekst (det ytre) og struktur (definerer relasjoner). Blir dette gjort nøye nok kan den bekrefte autentisiteten og identifisere. Den kan også koble sammen og tilby utgangspunkter, men det avhenger som nevnt tidligere at semantikken er tatt hensyn til i utstrakt form. 7.0 Semantikk, søk og gjenfinning Hvis man tenker tilbake til informasjonshierarkiet nevnt tidligere i oppgaven, så kan data i seg selv være uforståelig. Man trenger noe i tillegg til å kunne tolke den slik at den gir informasjon. En maskin kan ikke utvikle visdom, den må blir fortalt hva slags informasjon den skal oppgi. Det betyr at søkeren må vite hva de skal spørre etter og hvordan og dette spørrespråket må ha en linking til dataen lagret, som igjen må bli satt sammen til informasjonen søkeren ønsker. Det meste av den semantiske utarbeidelsen gjelder ofte nettsøk (internett) (Lin 2008 s. 4), men det er mulig at mye av denne teknikken kan brukes fordi det gjelder uansett elektronisk søk. De klassiske modellene for informasjonsgjenfinning er; The Boolean Model, Vector Space Model og The Probalistic Model (Sødring lysark; informasjonsgjenfinning 2012). Det gjelder å knytte det semantiske arbeidet opp mot metadataene den programmerte informasjonsgjenfinningsmodellen skal hente informasjonen i. Algoritmen til modellen må utarbeides slik at den gjør dette. Den må separere dataene og sortere den slik at den gir mening ved gjenfinning. The Boolean Model, er basert på en sannsynelighets teori. Den går in på indeks termene i dokumentet og henter frem data. Svakheten er blant annet at den kunne henter eksakte matcher og alle termene er like viktige, hvilket kan bety at man sitter med et hav av dokumenter uten å vite hva som er mest relevant. Når det gjelder Vector Space Model, er spørringer og dokumenter representert som vektorer av indekstermer. Likheten beregnes ved hjelp av cosinus likheten mellom to vektorer. Algoritmen tar for seg antall dokumenter [N], og antall dokumenter som inneholder den visse 16

18 termen [j] og antall forekomster av ordet [j] i dokumentet [i], som gir vekten av begrepet [ji] i dokumentet [i]: Dokumenter rangeres etter avtagende cosinus verdi. Målet er å lage en vektet dokument/term matrise ut i fra denne formelen. Dokument term matrise skal bli et vektet dokument term matrise (Sødring). The Probalistic Model, en en slags statistisk analyse modell som estimerer, på grunnlag av historiske data (for eksempel tidligere søkerhistorikk), sannsynligheten for at hendelsen skal skje igjen. Denne har også sine svakheter, kan hende man ønsker å ha søk ut i fra søkedataene man setter inn og ikke etter det systemet tror som en sannsynelighets beregning fra tidligere begreper er riktig. Man kan gå glipp av informasjon. Funksjoner som ofte utføres ved søk, da kanskje især med tanke på nettsøk, er at dokumentene først hentes, eller kanskje man kan kalle det at dataene i det gjenkjennes. Deretter filtreres de, det vil si at systemet tar bort ord den mener er uten mening og inkluderer ikke disse i søket, som og og men. Tokenisering fjerner også det systemet anser for unødvendig informasjon, som punktum og komma og tilsvarende. Stemming henter stammen i ordet, som for eksempel at transporter blir transport og lignende. Lineariseringen fjerner html-markup, og lager en lang tekststreng og vekting er streng klar til indeksering. Den kan antas at en dårlig utarbeidelse av en algoritme kan ødelegge for god semantikk. Søkeresultatet kan avhenge av hvor flink algoritmen er til å finne alle dokumentene. Søk blir ofte dårlig fordi all intern kontekst går bort, og den tar ikke hensyn til hvem du er, hva du vet og den vet ikke hva du egentlig er ute etter. Det er ingen skille mellom administrativ, bruker og forsker nivå. Arkivinformasjonspakken som hentes ut av depot må tilegnes brukeren av arkivarene, derfor er det semantisk viktig ved lagring og bevaring av arkivpakkedeler at de inneholder til mye bevaringsinformasjon som mulig, slik at en søker kan slippe å måtte sitte med hele pakken og lete frem til informasjonen selv. Det er kanskje allikevel dette som vil skje i begynnelsen. Kan hende noen brukere med programmerer bakgrunn i tillegg har bedre bakgrunnsforståelse til å hente ut dataen de trenger, men dette kan ikke være godt nok. En informasjonspakke bør svare til forventingene bruker har når de etterspør den, samt informasjonen er lagret i første omgang, men det går mer på arkivdanningsbiten. 17

19 8.0 Konklusjon Det kommer ut i fra dette frem flere problematiske sider ved langtidsbevaring av arkivdokumenter, som viser seg delvis å kunne unngås med hensyn til god bruk av semantikk. Dette gjerne helst i starten av arkivdanningsprosessen. En side er at språket er i hurtig utvikling, det vil si at ord, setninger, tegn, symboler og ideer om begrep, og deres betydninger kan forandres bare på noen få år. Dette gjelder også oppdateringer av systemer, metadata og metadata elementer, hvis enkelte begrepers mening kan gå i glemmeboken, blant annet fordi det er så mye å skulle ta hensyn til. En annen side er hvordan man skal få inn den beste bevaringsbeskrivende informasjonen med arkivdokumentene, en tredje side er hvordan man skal knytte disse dataene til hverandre i arkivpakker og en fjerde blir hvordan man kan programmere søkemotorer til å finne frem til den beste informasjonen. Semantikken blir også hensiktsmessig viktig sett ut i fra arkivdokumentenes indre og ytre proveniens. Deres integritet og autensitet kan være i orden, men de må også kunne tolkes og forstås. I tillegg skal man kunne forstå hva arkivdokumentene handler om og finne sammenhengen fra disse dokumentene og til andre dokumenter. Om år kan det være ord som i dag ikke er relevante lenger, men hvis disse blir brukt i arkivdokumenter, for å beskrive dem og blitt brukt i metadata for å gjenfinne dem, og lignende, så har hensyn til semantikken ved skapelse, behandling, avlevering og lagring av dem en klar betydning for i det hele tatt å kunne hente frem arkivdokumentene, og tolke og forstå dem. Nå som metadata er innlemmet som en funksjon for å forbedre datakvalitet, blir det viktig at standarder blir fulgt til punkt og prikke. Her kan det foreløpig allikevel skje mange menneskelige feil og slurv som kan ødelegge for gjenfinning i ettertid. I noen tilfeller kan man få maskinene til å ordne metadata for seg, men ofte så blir det opp til enkeltpersoner å passe på at arkivdokumenter får tilegnet den representasjonsinformasjonen de trenger. Gode rutiner som er lette og enkle å forstå, og kanskje helt nødvendige å følge, bør derfor bli innlemmet som en del av arbeidsprosessen. Sist men ikke minst, nevnes det at en av de viktigste grunnene for at vi har arkiv er stedfestet i Grunnlovens 100: Enhver har Ret til Indsyn i Statens og Kommunernes Akter og til at følge Forhandlingerne i Retsmøder og folkevalgte Organer. Det kan i Lov fastsættes Begrænsninger i denne Ret ud fra Hensyn til Personvern og af andre tungtveiende Grunde. Det paaligger Statens Myndigheder at lægge Forholdene til Rette for en aaben og oplyst offentlig Samtale. 18

20 Det er vår rett som innbyggere i Norge å skulle få innsyn i forvaltningen som angår oss, dette er et av grunnlagene for demokratiet. Fordi tap av semantikk viser seg å kunne gi tap av mening og kvalitet av arkivdokumenter, konkluderes det følgende at hensyn til semantikk ved langtidsbevaring av arkivdokumenter er avgjørende. 19