EDUARDO DA ROCHA RUTHES ANÁLISE DA QUALIDADE DE METADADOS EM UM SISTEMA INTEGRADO DE BIBLIOTECAS DIGITAIS

Transcrição

1 EDUARDO DA ROCHA RUTHES ANÁLISE DA QUALIDADE DE METADADOS EM UM SISTEMA INTEGRADO DE BIBLIOTECAS DIGITAIS Dissertação apresentada como requisito parcial à obtenção do grau de Mestre. Programa de Pós-Graduação em Informática, Setor de Ciências Exatas, Universidade Federal do Paraná. Orientador: Prof. Dr. Marcos S. Sunye CURITIBA 2007

2 EDUARDO DA ROCHA RUTHES ANÁLISE DA QUALIDADE DE METADADOS EM UM SISTEMA INTEGRADO DE BIBLIOTECAS DIGITAIS Dissertação apresentada como requisito parcial à obtenção do grau de Mestre. Programa de Pós-Graduação em Informática, Setor de Ciências Exatas, Universidade Federal do Paraná. Orientador: Prof. Dr. Marcos S. Sunye CURITIBA 2007

3

4 i AGRADECIMENTOS Agradeço, do fundo do coração, aos meus pais que sempre me apoiaram, cobraram e proporcionaram condições para que eu pudesse desenvolver este trabalho. Aos amigos que souberam compreender minha ausência. A Dra. Eliane Ferraz que incentiviu e soube pressionar nas horas certas. A Joice que sempre esteve do meu lado. Espero, com este trabalho, honrar a todos.

5 ii SUMÁRIO LISTA DE FIGURAS iv LISTA DE TABELAS v RESUMO vi ABSTRACT vii 1 INTRODUÇÃO 1 2 BIBLIOTECAS DIGITAIS Ambientes Hipotéticos para Bibliotecas Digitais Sistemas de Bibliotecas Digitais DSpace OJS Virtua Comunicação entre Bibliotecas Digitais Protocolo OAI-PMH Padrão Dublin Core Padrão MARC Integração de Acervos SOLUÇÃO DA UFPR Estrutura dos Acervos da UFPR Integração Parcial dos Acervos Auto Submissão no OJS ANÁLISE DA QUALIDADE DOS METADADOS Qualidade de Dados

6 iii Qualidade de Dados em Ambiente Controlado Qualidade de Dados Fora de Um Ambiente Controlado Bases de Metadados Estruturas da Base de Autores do OJS Base de Autores do Virtua Base de Índices do OJS Base de Palavras-Chave do Virtua Sistema Eletrônico de Revistas Base do Virtua da UFPR Estudo das Bases do SER Considerações sobre a Base de Autores Comparação com a Base de Autores do Virtua Considerações sobre a Base de Palavras-Chave Comparação com a Base de Palavras-Chave do Virtua CONCLUSÃO 37 6 TRABALHOS FUTUROS 41 BIBLIOGRAFIA 42

7 iv LISTA DE FIGURAS 3.1 Arquitetura de funcionamento dos Acervos da UFPR Preenchimento de metadados de Autores do processo de Submissão do OJS Preenchimento dos Metadados de Título e Resumo do processo de Submissão do OJS Preenchimento dos Metadados de Indexação do processo de Submissão do OJS Estrutura da tebela que registra os Metadados de Autores no OJS Trecho do arquivo de registros, apenas do nome, de Autores no padrão MARC Estrutura da base de Índices do OJS Trecho do arquivo de registros de Palavras-Chave no padrão MARC21. Apenas os Termos e Temos Relacionados Trecho do arquivo de registros de Palavras-Chave no padrão MARC21. Apenas os Termos e Termos Relacionados Busca por Autores diferentes Busca por Autores diferentes com campos padronizados em caixa-baixa e sem caracteres de espaço em branco antes e depois dos textos Apenas por nomes e sobrenomes diferentes com campos padronizados Registros de Autores diferentes por sobrenome e primeiro nome mesclado ao nome do meio Lista de Palavras-Chave e número de ocorrências de cada uma no sistema Lista dos 100 termos mais freqüentes na base de Indexação do OJS Exemplo de conteúdo do metadado abstract de um artigo com má formação no comando html Proporção dos termos identificados exclusivamente em um dos Idiomas... 35

8 v LISTA DE TABELAS 2.1 Seções de campos de Metadados do padrão MARC Quantificadores extraídos do Sistema Eletrônico de Revistas Quantificadores extraídos das bases do Sistema Virtua como referência de Comparação Reconhecimento de termos em dicionários de idiomas e no Virtua

9 vi RESUMO Bibliotecas digitais são sistemas informatizados que dispõem de recursos computacionais para prover armazenagem, publicação e pesquisa de conteúdos organizados criteriosamente. São um grande avanço na disseminação do conhecimento pela internet. Esses sistemas comunicam-se com outros sistemas através de protocolos bem definidos a fim de compartilhar informação de seus acervos favorecendo uns aos outros. Mas o benefício não está apenas ligado ao conhecimento que dispõem mas também nos metadados que descrevem e indexam estes conhecimentos. É através dos metadados que as unidades de informação podem ser localizadas com mais facilidade. A qualidade deles é determinante na objetividade dos resultados de pesquisas, que podem tanto serem denegridas por metadados de baixa qualidade como enriquecidas pelos de alta qualidade. Portanto antes de uma integração de bases de metadados é importante ter a exata noção das características dos valores destas bases. Como elemento para presente análise é utilizado o Sistema de Revistas Eletrônicas da UFPR, fonte de artigos científicos de diversas áreas do conhecimento, alimentado e mantido por usuários leigos em qualidade de dados e indexação. Suas características e a viabilidade de sua incorporação a um repositório centralizador de acervos são os objetos de estudo deste trabalho.

10 vii ABSTRACT Digital libraries are systems that take support on computing resources, to provide store up, publication and research of contents cautiously organized; and they are a huge progress to disseminate knowledge throughout the Internet. These systems communicate to others through defined protocols to share the stored information on their database, in order to help each other. The benefit, however, is not only linked to the available information but is also connected to metadata that describe and index such information. So, by the metadata the information unit can be found without difficulty. The metadata s quality establishes the objectivity on research s results, which can be damaged by low quality metadata, as they can get better by high quality metadata. For that reason, before the metadata s bases incorporation is so imperative to be acquainted with all the attributes from these databases. This research utilized as the studying element the UFPR s Electronic System of Magazines, which is a massive source of scientific articles produced in so many different knowledge areas. Such electronic magazine is provided and kept by uninformed users on data s quality and index. The main object in this research is the UFPR s system characteristics and its incorporation possibility to a central database replace.

11 1 CAPÍTULO 1 INTRODUÇÃO O conceito de Biblioteca Digital está intimamente relacionado à evolução dos meios de comunicação eletrônicos, e tornou-se mais difundido a partir do momento em que estes meios, cada vez mais eficientes, tornaram-se mais acessíveis a um número maior de pessoas. A capacidade de transmitir e receber informações de forma mais fácil despertou um interesse cada vez maior de instituições de ensino e pesquisa e corporações por todos os continentes. Rapidamente, o número de dados, documentos e informações disponibilizados na internet cresceram junto ao aumento da procura por eles. Toda e qualquer tipo de informação pode ser encontrada, bastando saber onde procurá-la. Conteúdos de livros, revistas, artigos, relatos etc., passaram a não estarem mais restritos aos domínios das bibliotecas convencionais, nas quais tinham seu acesso concentrado, controlado e organizado, para um espaço sem fronteiras. Documentos em outros tipos de mídias também passaram a ser transformados para o meio digital como forma mais econômica de preservá-los, tanto financeira quanto espacialmente. Da dificuldade inicial de obter a informação dos meios eletrônicos, o mundo agora experimentava o problema de localizá-los. Os documentos estavam disponíveis para consulta, mas ou era muito trabalhoso procurar em vários locais onde poderiam estar, ou nem se sabia onde procurar. Foram utilizadas estruturas, chamadas metadados[31], que caracterizam documentos, para tentar solucionar este problema. Mecanismos que centralizam a procura da informação utilizam os metadados para ajudar as pessoas na tarefa de encontrar os documentos. Bastando especificar um ou mais termos relacionados ao que se deseja, uma lista de resultados é apresentada, guiando o usuário até seu endereço. O acesso facilitado à informação fez aumentar cada vez mais a quantidade de documentos disponíveis na internet. A interdisciplinaridade do conhecimento, bem como a carência de uma forma comum de identificá-lo passa a dificultar, mais uma vez, a localização da

12 2 informação. Não havendo restrição quanto ao que se publica na internet, fora de ambientes controlados como bibliotecas convencionais, a confiabilidade da informação passa também a ser um fator restritivo a muito do que está acessível. Para instituir uma forma adequada de organizar documentos permanente e continuamente, surge então uma tendência de estrutura de classificação de documentos à qual se deu o nome de Biblioteca Digital. Muito sistemas de revistas eletrônicas foram criados, DSpace[16], Eprints[3], Greenstone Digital Library Software[1], OJS[2], Virtua[29]. Alguns pagos, outros gratuitos. Todos com o mesmo objetivo, embora resolvendo particularidades diferentes. Deste momento em diante, todo e qualquer documento digital pode ser arquivado e catalogado adequadamente, tendo uma instituição responsável por atestar a veracidade, qualidade e objetividade dos seus metadados. Voltando ao conceito original de biblioteca convencional em que pessoal especializado tratava de catalogar e organizar produções literárias, as bibliotecas digitais também podem dispor desta mesma mão de obra que se adaptou ao avanço tecnológico. Por outro lado, qualquer pessoa pode adotar um dos muitos sistemas de organização de informação disponíveis, tanto pago quanto gratuitamente, e criar sua própria biblioteca digital, tratando seu conteúdo com critérios variados. A idéia de compartilhamento de informação também está embutida no conceito de biblioteca digital, e despertou o interesse de organizações, como instituições de ensino, que se interessaram em integrar seu acervo literário e de produção científica. Assim, haveria uma centralização e, conseqüentemente, uma otimização de todo conhecimento institucional. Mas sistemas diferentes estão estruturados de formas distintas, mesmo que tenham dados semelhantes. A complexidade desta integração como tratada em [5] se eleva quando consideramos a forma de catalogar a informação e a redundância desta. Se ainda for levado em conta que os dados podem vir de uma base que não tenha seu conteúdo validado por uma pessoa especializada, o problema se agrava. Supõe-se um cenário em que um especialista em determinada área do conhecimento resolve editar por conta própria uma Revista Eletrônica, que não deixa de ser uma biblioteca digital. Supõe-se ainda que ela seja aberta para que qualquer autor possa submeter um

13 3 documento que o editor irá julgar pertinente ao conteúdo da revista ou não. Para dividir tarefas, fica a cargo do autor preencher os metadados. Provavelmente os documentos de tal revista sejam de qualidade, visto que um especialista julga isso. Mas não há garantias de que os metadados para qualificar os documentos da revista foram devidamente preenchidos. Não há como saber se o editor ou autor possuem qualificação nas áreas de Biblioteconomia ou Gestão da Informação para atestar a qualidade dos metadados. Isso pode gerar muitos problemas ou até inviabilizar o compartilhamento do conteúdo desta revista com outros sistemas, visto que os outros sistemas poderiam ficar contaminados pelos problemas da revista. Mesmo não possuindo metadados validados, é certo que a suposta revista pode contribuir com outros sistemas. Ela possui documentos e, por exemplo, referências a autores que ampliam o conhecimento dos outros sistemas. Mais importante ainda é o fato de que um sistema validado poderia contribuir e muito com a revista. As informações de metadados dos sistemas podem servir de base de comparação e/ou sugestão de valores adequados aos metadados. Este cenário se apresenta na Universidade Federal do Paraná[20] onde há o interesse de manter uma unidade centralizada dos acervos. Parte deste objetivo já foi alcançado, mas a falta de conhecimento sobre os conteúdos de uma das três bases impede que esta meta seja totalmente cumprida. Este trabalho está estruturado da seguinte forma: o Capítulo 2 trata de Bibliotecas Digitais, citando alguns exemplos com enfoque em comunicação e integração entre elas; o Capítulo 3 apresenta o ambiente existente na UFPR e a solução adotada para integração; o Capítulo 4 analisa a qualidade dos metadados, sua estrutura de suporte e valores que assumem no Sistema Eletrônico de Revistas; o Capítulo 5 conclui o trabalho e o Capítulo 6 explora próximos trabalhos futuros.

14 4 CAPÍTULO 2 BIBLIOTECAS DIGITAIS Segundo define Cathro[39], Bibliotecas Digitais: são organizações que provêem recursos, incluindo pessoal especializado, para selecionar, estruturar, oferecer acesso intelectual, interpretar, distribuir preservar a integridade e garantir a persistência através do tempo de coleções de trabalhos digitais de forma que estejam pronta e economicamente disponíveis para uso por uma comunidade definida ou conjunto de comunidades. Bibliotecas digitais são sistemas informatizados que dispõem de recursos computacionais para prover armazenamento, publicação e pesquisa de conteúdos organizados criteriosamente. Muitos sistemas de bibliotecas digitais estão disponíveis no mercado. Cada um solucionando o problema de organizar as informações da forma mais conveniente. Alguns se destacam pela alimentação dos dados, outros pelo processo de editoração deles, e outros apenas pela sua disponibilização. Quando as necessidades são diferentes, as formas de resolvê-las devem ser particulares. Mas o importante é a preservação e disponibilização da informação. 2.1 Ambientes Hipotéticos para Bibliotecas Digitais Uma biblioteca convencional que queira adaptar-se às inovações tecnológicas e otimizar seus processos internos, precisa apenas cadastrar seu acervo em um sistema que facilite a pesquisa deste, visto que todo acervo já passou por um processo criterioso de avaliação e catalogação. A necessidade é cadastrar grandes volumes de livros, revistas, etc. em um sistema que forneça facilidades nesta tarefa. Já um novo curso de Pós-Graduação que deseje disponibilizar o conhecimento produzido por seu corpo docente e discente, sem a carência de importar grandes volumes de

15 dados, vai optar por um sistema que priorize o auxílio no preenchimento de metadados 5 que qualifiquem os trabalhos. Suas produções científicas não passaram ainda por um processo de catalogação, mas provavelmente há recursos para dispor de pessoal técnico capacitado. Há ainda o uso de instituição ou qualquer pessoa que gostaria apenas centralizar e organizar documentos para disponibilizar na internet, sem a necessidade de avaliação de seu conteúdo ou classificação criteriosa. Utilizando um sistema livre de biblioteca digital, teria toda sua necessidade atendida, mas certamente o sistema ofereceria muito mais recursos que o suficiente. Cada problema exige uma solução. Problemas diferentes podem ser resolvidos da mesma forma com uma solução genérica, ou formas diferentes com soluções específicas. É o caso de muitos dos sistemas de biblioteca digital, que resolvem uma extensa variedade de problemas específicos. 2.2 Sistemas de Bibliotecas Digitais Existem muitos sistemas de bibliotecas digitais disponíveis no mercado, alguns pagos outros livremente distribuídos. Abaixo serão descritos alguns destes sistemas, mais especificamente os sistemas utilizados pela Universidade Federal do Paraná[20] para administrar e disponibilizar seus acervos DSpace O DSpace[16] é uma ferramenta de biblioteca digital desenvolvida pelo MIT[32] em parceria com o HP-Labs[14]. É oferecido livremente às instituições, sob a forma de um produto de código aberto, que pode ser livremente adaptado e expandido funcionalmente, nos termos da BSD Open Source License[11]. O DSpace é capaz de catalogar todo tipo de mídia de dados. Sua arquitetura robusta permite a customização de seus processos internos, assim atendendo às mais diversas necessidades específicas de cada instituição. Possui mecanismos de restrição de acesso a níveis diferentes de profundidade da informação e

16 6 suporta técnicas diferentes de recuperação de desastres para garantir a preservação da informação. Para o processo de submissão de documentos, o DSpace permite a descrição de seus metadados por meio de uma versão qualificada do vocabulário Dublin Core[13], seguindo assim um padrão consolidado de estruturação da informação. Isso torna comum a outros sistemas similares a pesquisa e recuperação de itens. O protocolo OAI-PMH[12] implementado pelo DSpace consolida um mecanismo comum de interoperabilidade entre sistemas que catalogam e disponibilizam metadados dos seus itens. Serviços especializados de indexação ficam aptos a coletar informações que melhoram a visibilidade dos repositórios de informação. O DSpace foi desenvolvido em Java[17] e é suportado por um conjunto de ferramentas de código aberto, tais como, o PostgreSQL[8], o Tomcat[34] e o Lucene[26] (motor de pesquisa) OJS O OJS[2] (Open Journal System) é um sistema de submissão, avaliação, edição e publicação e pesquisa de periódicos desenvolvido pelo PKP[24] da University of British Columbia no Canadá. Este grupo de pesquisa e desenvolvimento tem o objetivo de oferecer ferramentas inovadoras que ajudem na qualidade das pesquisas acadêmicas. Neste sistema, autores podem submeter suas produções acadêmicas, acompanhar sua avaliação, formatação e publicação, bem como ter a garantia de que seu trabalho está disponível para leitores interessados, por meio de mecanismos de indexação de metadados. Usuários com outros perfis como editor e avaliador, possuem funções específicas que os auxiliam a desempenhar suas tarefas da forma mais adequada possível. O OJS é uma solução web de código aberto, liberado sob licença GNU General Public License[36], permitindo sua livre utilização, modificação, redistribuição completa ou em partes. Foi desenvolvido utilizando-se apenas software livre e sua estrutura é feita toda na linguagem PHP[21], dando muita importância à modularidade e extensibilidade. O OJS contém uma infraestrutura de suporte de módulos independentes plugins[25] que podem

17 7 ser incorporados sem a necessidade de modificação no código do sistema. Qualquer um que tenha uma necessidade não contemplada nas funcionalidades do sistema pode desenvolver uma solução. Muitos plugins para diversas funções estão disponíveis para enriquecer o funcionamento do OJS. Há uma comunidade[23] mundial de utilizadores, mantenedores e desenvolvedores deste sistema que atua de forma bastante ágil no suporte, correção e aprimoramento do OJS. No Brasil o IBICT[33] (Instituto Brasileiro de Informação em Ciência e Tecnologia) customiza, redistribui e oferece treinamento, bem como suporte, de uma versão do OJS, sob o título de SEER[28] (Sistema Eletrônico de Editoração de Revistas) Virtua É um sistema eletrônico de organização de acervos de bibliotecas convencionais baseado em padrões de vanguarda desenvolvido pela VTLS[30]. É flexível e adaptável a variadas necessidades institucionais, suporta completamente sua internacionalização para em torno de 100 idiomas. Permite a criação de perfis configurados especificamente para cada usuário da biblioteca acessar mais de 600 funções através do sistema. É um sistema que implementa completamente o padrão MARC21[10] e dá suporte a todos os tipos de documentos multimídia. O Virtua oferece funcionalidade integrada entre os módulos, incluindo os sistemas de catalogação, aquisições, periódicos, circulação e gerenciamento de relatórios. É um sistema multi-plataforma que utiliza base de dados Oracle[18]. Verdadeiramente, este não é um sistema de biblioteca digital por definição e sim um sistema de automação de bibliotecas. O motivo é a inexistência de um mecanismo para disponibilização dos próprios objetos catalogados. A solução adotada pela UFPR para transpor esta limitação é a utilização da infraestrutura de outro sistema capaz de suprir esta carência. Mais sobre o assunto no Capítulo 3.

18 8 2.3 Comunicação entre Bibliotecas Digitais Faz parte do conceito bibliotecas digitais o compartilhamento de informações. Protocolos de comunicação com OAI-PMH[12] foram estabelecidos para que bibliotecas diferentes pudessem se enriquecer com referências a conteúdos de outras bibliotecas. Um dos desafios institucionais é manter um repositório centralizado de todo seu acervo, de forma a otimizar recursos e facilitar o acesso Protocolo OAI-PMH O protocolo OAI-PMH[12] é um mecanismo para comunicação de dados sobre acervos entre repositórios digitais. É uma interface que um sistema pode empregar para que os metadados de itens em sua base estejam disponíveis para aplicações externas que se visa coletar esses dados. Essa interface tem duas propriedades: interoperabilidade e extensibilidade. A interoperabilidade decorre da obrigatoriedade embutida no protocolo para implementação e um padrão de dados como Dublin Core[13]. Assim, todos os repositórios que utilizam o protocolo OAI podem trocar metadados. Já a extensibilidade advém da oportunidade de se criar ou utilizar também padrões de metadados diferentes como o padrão MARC21[10]. Descrições específicas para uma comunidade ou uma determinada especificidade de metadados para satisfazer necessidades especiais podem ser criadas ou adaptadas de forma a funcionarem com o protocolo OAI. O protocolo utiliza um ferramental de transações http[38] muito simples, baseadas em requisição e resposta. A resposta deve ser no formato XML[7]. Um harvester[22] pode selecionar os metadados que deseja coletar de forma a pegar somente os novos ou os que foram modificados desde a última interação de coleta com o repositório. Pode também restringir os metadados que deseja coletar, ao indicar qual é conjunto de dados de interesse. Para entendermos a funcionalidade do protocolo é igualmente importante enfatizar o que ele não faz. A autenticação e o gerenciamento de acesso não estão implementados no

19 9 protocolo. Os repositórios podem por conta própria implementar o controle de acesso no código do programa. Independente do controle de acesso sobre os metadados, o servidor inclui um apontador (como URL) para o objeto descrito pelos metadados. O controle de acesso pode ou não existir no nível do recurso. Por exemplo, o texto completo de um artigo pode ou não estar disponível para download. O protocolo também não define a forma como os harvesters[22] identificam os repositórios que eles desejam coletar, e não dá informações para ajudar a determinar quando a coleta deve ocorrer ou com que freqüência Padrão Dublin Core Dublin Core[13] é um padrão internacional para descrição de recursos de informação, considerado parte importante da infra-estrutura da Internet. Foi desenvolvido, a partir de 1994, por um grupo de bibliotecários e especialistas de conteúdo, coordenado por Stuart Weibel[37], pesquisador da OCLC[6] (Online Computer Library Center). É chamado Dublin Core por ter se originado em um workshop na cidade de Dublin, Ohio, Estados Unidos. Todas as ações e esforços são liderados pelo Dublin Core Metadata Initiative, responsável pelo desenvolvimento, padronização e promoção do conjunto de elementos metadados Dublin Core. Embora o Dublin possa ser usado para descrever materiais em formatos tradicionais, sua aplicação principal tem sido na descrição de recursos eletrônicos disponíveis na Internet. Consiste de um conjunto de 15 elementos de metadados, equivalentes a uma ficha catalográfica, os quais podem ser considerados como o mais baixo denominador comum para descrição de recursos de informação [37]. As principais características do padrão Dublin Core são: simplicidade na descrição dos recursos - pode ser usado por não-catalogadores ou autores sem conhecimento prévio de todas as regras de catalogação; interoperabilidade semântica- promove o entendimento comum dos descritores, ajudando a unificar padrões de conteúdo, aumentando a possibilidade de interoper-

20 10 abilidade semântica entre as disciplinas; consenso internacional- reconhecimento da cobertura internacional do escopo do recurso; extensibilidade- constitui uma alternativa aos modelos de descrição mais elaborados e caros. Possui flexibilidade e extensibilidade para codificar semânticas mais elaboradas em padrões mais sofisticados. Desde de 1996, o Dublin Core vem se evidenciando como uma solução viável para descrição de recursos eletrônicos na Internet. Projetos de construção de ferramentas baseadas no Dublin Core têm aumentado, assim como a quantidade de documentos disponíveis na web que contêm suas próprias descrições no formato Dublin Core Padrão MARC21 MARC[10] é um acrônimo de MAchine-Readable Cataloging, um conjunto de padrões para identificar, armazenar, e comunicar informações bibliográficas em formato legível por máquina, de forma que diferentes computadores e programas possam reconhecer, processar e estabelecer pontos de acesso dos elementos que compõem a descrição bibliográfica. O formato MARC organiza as informações de forma a serem lidas pelo computador e possibilita a descrição bibliográfica de diferentes tipos de documentos, utilizando uma estrutura de campos fixos e variáveis, subcampos e indicadores. Todo registro MARC é dividido logicamente em campos. Há um campo para a informação de autor, um para título e assim por diante. Como a descrição de cada campo é muito extensa para ser definida dentro do registro, foram definidas tags (etiquetas) de três dígitos numéricos para identificar cada campo. O MARC 21 surgiu em 1999, oriundo da fusão do USMARC, utilizado pela Library of Congress, e do CAN/MARC, utilizado pela National Library of Canada [10]. Na Tabela 2.1 estão descritos os campos básicos do formato MARC21.

21 11 Campos 0XX 1XX 2XX 3XX 4XX 5XX 6XX 7XX 8XX 9XX Descrição Informações de controle, números e códigos Autoria (nome pessoal, entidade, evento) Títulos, edição, imprenta Descrição física Série Notas Entradas de assunto Entradas secundárias (nome pessoal, entidade, evento, título) Entradas secundárias de série Uso local Tabela 2.1: Seções de campos de Metadados do padrão MARC Integração de Acervos Um dos grandes desafios das instituições é o de integrar seus acervos, a fim de centralizar a pesquisa pela informação. É muito dispendioso fazer a busca por uma informação em lugares diferentes. Vendo por outro lado, uma pesquisa feita em um local, fica enriquecida de conteúdo se este local faz a integração de seu conteúdo com o de outros sistemas. Também aumenta a visibilidade de outros repositórios de informação, criando assim um círculo virtuoso. Economiza-se muito recurso gerenciar um sistema global a vários sistemas independentes que possivelmente possuem informações semelhantes ou até equivalentes. Administrativamente, a centralização da informação facilita a geração de relatórios e, conseqüentemente, a tomada de decisões estratégicas. Este desafio tenta ser orientado a uma solução por meio de padrões de metadados como o Dublin Core[13] e protocolos de comunicação como OAI-PMH[12], que definem a forma como os dados serão disponibilizados. Todo sistema que suportar um protocolo de comunicação está apto a fornecer e coletar dados de outros sistemas. Não são todas as instituições como a UFPR que se dispõem a integrar seus acervos, pois o volume de trabalho necessário para prover as condições adequadas é muito grande e demanda recursos computacionais e humanos como descrito no Capítulo 3. Se não totalmente resolvida mas bem encaminhada, a solução da integração de acervos por meio de protocolos enfrenta também o problema das instâncias dos metadados e a qualidade das bases a serem integradas. Vários métodos e ferramentas[5] para integrar os esquemas de bases e protocolos difer-

22 12 entes já foram propostos. Técnicas para estas tarefas não precisam lidar com o dinamismo característico entre instâncias dos metadados. E é este dinamismo e imprevisibilidade dos dados que interferem em qualquer plano definido de consolidar uma integração. Saber exatamente o que está sendo integrado é tão importante quanto a compatibilidade das bases a serem integradas. Desde a forma de coletar os dados, tipos de dados coletados, tipos de dados permitidos, tratamentos aplicados a eles e estrutura de armazenagem, todos colaboram com valor que eles vão assumir. Esta variedade de interferências torna a compatibilidade entre instâncias de bases diferentes tão crítica e relevante no momento de uma integração.

23 13 CAPÍTULO 3 SOLUÇÃO DA UFPR O Programa de Apoio à Editoração de Periódicos da Universidade Federal do Paraná[20], tem o objetivo de incentivar e prover condições para que Departamentos Acadêmicos da instituição tenham condições de criar e disponibilizar conteúdos de cunho acadêmico à comunidade. Em virtude das escassas verbas para manter o programa e ofertar um serviço de qualidade ao maior número de interessados, soluções de baixo custo e melhor qualidade possível precisaram ser adotadas. Uma delas foi a adoção do programa OJS[2]. Mantendo o foco na qualidade, foi feita também, no momento oportuno, a migração da versão 1 do OJS para a versão 2, com mais recursos e atendendo melhor as necessidades. Outras duas bases também são mantidas pela UFPR, o Virtua, informatizando as bibliotecas científicas e o DSpace, provendo acesso pela internet às produções acadêmicas. A UFPR já há algum tempo tomou a iniciativa de unir seus acervos com o objetivo de oferecer conteúdos mais amplos à comunidade interessada de maneira mais centralizada. Parte do trabalho de integração já foi resolvida e está em pleno funcionamento, mas um dos acervos ainda não foi incorporado. O Sistema Eletrônico de Revistas[27] permanece isolado dos demais acervos. Um caminho já foi proposto em [9] para prover condições de realizar a integração do SER aos outros sistemas, mas nem esta nem qualquer outra solução foi colocada em prática ainda. Antes é necessário conhecer exatamente o conteúdo e a qualidade dos metadados gerenciados pelo OJS, software utilizado pelo Sistema Eletrônico de Revistas. 3.1 Estrutura dos Acervos da UFPR Atualmente, o acervo da UFPR está dividido em 3 repositórios: Sistema Virtua[29] - com referências de todo acervo impresso e multimídia de todas as bibliotecas convencionais da instituição;

24 Sistema DSpace[16] - base de Teses e Dissertações produzidas pelos programas de Pós-Graduação da universidade; 14 Sistema OJS[2] - acervo de mais de 30 Revistas Eletrônicas disponibilizando mais de artigos produzidos pela comunidade acadêmica interna e externa à UFPR; Tanto os acervos catalogados pelo Virtua quanto pelo DSpace possuem suas bases de metadados controladas por bibliotecários. São eles os responsáveis por alimentá-las com os novos documentos adquiridos ou produzidos pela universidade em seus cursos de pósgraduação. Isso garante que os conteúdos das bases de metadados desfrutem de um bom nível de qualidade de dados. Já o acervo provido pelo OJS não possui tal tratamento e a certeza de qualidade não pode ser afirmada antes de uma análise adequada. Cada revista que compõe o SER foi criada por iniciativa do corpo docente de algum departamento da Universidade. Algumas delas recebem apoio financeiro para publicação de sua versão impressa, outras existem apenas virtualmente. Todas elas são mantidas por pequenos grupos de pessoas, alguns editores, alguns colaboradores e corpos de avaliadores voluntários. O cadastro de documentos é feito por seus próprios autores. 3.2 Integração Parcial dos Acervos Os acervos gerenciados pelos sistemas Virtua e DSpace já compartilham suas informações. Sua integração foi possível em função dos protocolos de comunicação e padrões de metadados que ambos implementam. A arquitetura da integração entre os dois sistemas citados é ilustrado na Figura 3.1. O sistema Virtua apenas cataloga acervos, mas não os armazena e disponibiliza. É uma ferramenta de gerência de bibliotecas convencionais, mas esta limitação pôde ser contornada utilizando os recursos do DSpace. O processo de integração destes sistemas acontece da seguinte forma: 1. Um bibliotecário cadastra um documento na base catalográfica do Virtua; 2. O coletor de metadados Vortex[30] consulta os novos itens;

25 15 Figura 3.1: Arquitetura de funcionamento dos Acervos da UFPR. 3. Ele então exporta ao DSpace que os incorpora à sua base e gera um registro para o item cadastrado no Virtua; 4. O bibliotecário pode agora através do DSpace consultar o item anteriormente cadastrado no Virtua. Ele anexa o documento em seu formato eletrônico ao registro copia a url; 5. O bibliotecário atualiza manualmente o metadado de endereço eletrônico do item catalogado na base do Virtua com a url gerado pelo DSpace. Esta foi uma solução viável para permitir a integração das bases de conteúdos de dois acervos da UFPR, embora não seja muito prática. Mesmo assim os benefícios de uma base integrada compensam o esforço. Nota-se também na Figura 3.1 que a base do Sistema Eletrônico de Revistas, ou OJS, está isolado das outras. Também é possível notar que os bibliotecários não interagem com ele. A dificuldade de incorporar mais uma base de informações técnico-científicas à estru-

26 tura que provê a integração de dois acervos não é impedimento para sua concretização. A arquitetura descrita anteriormente pode facilmente ser estendida para comportar mais 16 acervos. Embora uma solução já tenha sido proposta em [9] e o OJS também implemente protocolos de comunicação que permitem sua integração com outros sistemas de bibliotecas digitais, isso não foi feito, motivado pela incerteza quanto à sua qualidade de metadados. A Figura 3.1 ainda mostra que os atores que interagem com o sistema são editores e autores, não técnicos especializados. Isso causa dúvidas sobre a capacidade dos metadados do OJS agregarem valor ao resto do sistema. 3.3 Auto Submissão no OJS O OJS, como qualquer ferramenta para editoração de revistas, biblioteca ou revista convencional, demanda pessoal especializado para desempenhar os diversos papéis de um processo editorial. Porém, a flexibilidade do OJS permite que poucas pessoas tomem conta de todas as etapas até a publicação de um documento. Desta forma, professores ou grupos de professores de determinadas áreas tomaram a iniciativa de criar e manter revistas de conteúdo acadêmico com o objetivo de ofertar à comunidade interessada, um local comum para pesquisa e publicação de artigos. Contando com a colaboração voluntária de outras pessoas com notória qualificação técnica para avaliar produções científicas e tendo um público interessado, configura-se o mínimo necessário para criação de uma revista científica. Mas conhecimento técnico específico na área de que trata uma revista não é o suficiente para produzir um periódico de qualidade. Especialistas das áreas de Jornalismo, Biblioteconomia e Gestão da Informação são profissionais que poderiam contribuir muito no processo de editoração de um periódico. Já que este pessoal especializado não está envolvido no processo editorial (geralmente apenas um ou dois editores administram toda revista), fica a cargo do autor que submete seu trabalho à revista, dividir tarefas com os editores. Alguns autores que submetem seus trabalhos às revistas já possuem alguma experiência neste tipo de procedimento, sabem como os metadados preenchidos influenciam na visibilidade e localização de seus trabalhos. Mas como isso não é a regra, outros autores preenchem os metadados da

27 17 maneira que julgam conveniente. A Figura 3.2 mostra a etapa de preenchimento de metadados de autores pelo usuário que faz a submissão. Vários campos de metadados estão disponíveis 1 a fim de oferecer ricas informações sobre os autores. Figura 3.2: Preenchimento de metadados de Autores do processo de Submissão do OJS. Seguindo a seqüência do formulário de cadastro da submissão, é a vez de preencher o título e resumo 2 do documento em submissão. A Figura 3.3 mostra a interface. O cadastro dos termos de indexação focado na Figura 3.4 apresenta um série de campos de metadados sobre variados critérios que procuram identificar de forma precisa tudo que se relacione ao documento em submissão. Pode não haver o cuidado adequado quanto às convenções dos termos para referenciar certos tipos de assuntos, abreviações indevidas ou incorretas, ou mesmo falta de cuidado na digitação. A preocupação dos autores normalmente encontra-se apenas na publicação de seus trabalhos e não na forma como eles serão encontrados. 1 A obrigatoriedade do preenchimento de um campo é indicada pelo caracter * ao lado de seu nome. 2 A obrigatoriedade de se preencher os metadados de Título e Resumo em outros idiomas é uma questão de política da Revista

28 18 Figura 3.3: Preenchimento dos Metadados de Título e Resumo do processo de Submissão do OJS. Em um passo posterior do processo de submissão de um trabalho, usuários com perfis específicos do OJS têm o dever (muitas vezes não cumprido) de avaliar os conteúdos cadastrados dos metadados. Mas da mesma forma que os autores não estão tecnicamente preparados para cadastrar os termos de indexação, tão pouco o são estes outros usuários 3. O processo de editoração do OJS não é falho, mas sua flexibilidade quanto a pular etapas de verificação e a falta de um mecanismo de orientação quanto à qualidade dos metadados, sim, prejudica a qualidade dos metadados. 3 Considerando-se apenas o corpo editorial do Sistema de Revistas Eletrônicas da UFPR.

29 Figura 3.4: Preenchimento dos Metadados de Indexação do processo de Submissão do OJS. 19

30 20 CAPÍTULO 4 ANÁLISE DA QUALIDADE DOS METADADOS Para que se possa fazer uma avaliação adequada dos metadados, será necessário trabalhar diretamente com os registros no banco de dados. Neste caso, o banco de dados em questão é o PostgreSQL[8]. Como base de comparação serão usadas duas listas, uma de Autores e outra de Palavras-Chave geradas pelo sistema Virtua da UFPR. 4.1 Qualidade de Dados Medir a qualidade dos dados é determinante no momento de integrar bases distintas. Mas por ser uma tarefa subjetiva e não automatizável torna-se bastante complexa. De acordo com [15], a qualidade dos dados pode ser medida pelas visões apresentadas por uma informação do sistema e o mesmo dado no mundo real. Um sistema de qualidade total (100%) indica que as visões dos dados estão em conformidade com o mundo real. Já uma avaliação de qualidade ruim (próxima a 0%) indica que os registros não representam as respectivas entidades no mundo real. A verdadeira dificuldade em qualidade dos dados está em sua transitividade. Enquanto os dados de uma base são estáticos, as entidades do mundo real são dinâmicas. Isso faz com que os dados nas bases acabem ficando desatualizados. São muitos os problemas que podem afetar a qualidade dos registros, dentre elas podemos citar a duplicação, que é a ocorrência repetida de um registro em uma base. Isso ocorre quando: a aplicação ou a base que dispõe do cadastro do registro não faz a validação adequada; os termos são cadastrados com diferenças no grau, gênero, número, tempo verbal, etc.;

31 os dados realmente são diferentes, mas se referem à mesma entidade do mundo real (erro de digitação, acentuação, tradução, abreviação); 21 houve a integração de bases de dados, onde as políticas de cadastro e convenção de dados eram diferentes; É certo que se uma base de dados for integrada a outra sem as devidas verificações, o problema de duplicação tende a ocorrer Qualidade de Dados em Ambiente Controlado Em um ambiente controlado como uma biblioteca convencional há sempre profissionais capacitados para fazer a correta verificação e cadastro dos dados. Sempre que um item precisa ser cadastrado, todos os metadados que identificam tal item são preenchidos com o devido cuidado e verificação. Para garantir a coerência dos termos de identificação, bases de vocabulários controlados [19] são consultadas. A integração que pressuponha tal cuidado com suas bases de dados provavelmente deve evitar complicações quanto a discrepâncias de seu conteúdo indexado, conseqüentemente gerando riqueza de conhecimento à base integrada Qualidade de Dados Fora de Um Ambiente Controlado Em muitos sistemas de submissão gratuita disponíveis na internet, o cadastramento dos trabalhos é feito por seu próprio autor. Sendo gratuita, é muito provável que não haja captação de recurso para garantir a participação de uma equipe qualificada para o trabalho de editoração. Um autor é geralmente uma pessoa com grandes conhecimentos na área de que trata seu trabalho, mas não possui grandes conhecimentos em campos afins ao preenchimento adequado de termos de identificação. Ao cadastrar seu trabalho não é tomado o cuidado com a qualidade do valor do metadado. Sem alguém ou algum mecanismo para avaliar os metadados antes de serem incluídos na base de indexação, esta possivelmente ficará poluída com valores de baixa qualidade.

32 Imaginando-se uma possível integração desta base, a ocorrência de valores de baixo nível deve comprometer a qualidade de toda a base integrada Bases de Metadados Com a finalidade de verificar a viabilidade da integração do Sistema Eletrônico de Revistas, pretende-se efetuar uma análise das condições de sua base de metadados. Para isso, serão feitas comparações entre bases de conteúdo controlado e a base de dados do OJS. Pretende-se analisar a qualidade das bases de metadados do Sistema de Revistas, em particular as referências a autores e as palavras-chave Estruturas da Base de Autores do OJS A estrutura da tabela de registro de Autores, no sistema OJS denominada article authors, tem a forma descrita na Figura 4.1. Figura 4.1: Estrutura da tebela que registra os Metadados de Autores no OJS. Desta tabela estamos considerando apenas os campos first name, middle name e last name, que correspondem respectivamente ao Nome, Nome do Meio e Sobrenome do Autor. Outros campos poderiam ser de grande valia para distinguir ou vincular registros de autores, como url, affiliation e biography, mas não serão utilizados por sua predom-

33 23 inante falta de valores nos registros de autores, visto que não são obrigatórios. O campo de seria o mais forte candidato, por ser obrigatório, como mostra a Figura 3.2, no preenchimento dos metadados de submissão de artigos no sistema e por ter seu formato restrito pelos próprios provedores de . Mas ocorre que muitas revistas estão disponíveis também nos seus formatos impressos e, em 100% dos casos, as revistas impressas já existiam antes da implantação delas em meio digital. Boa parte delas são mais antigas do que a habitualidade de um autor possuir uma conta de . Todo histórico de edições destas revistas foi importado para o sistema e os campos de metadados obrigatórios 1, foram preenchidos com valores válidos, mas irrelevantes Base de Autores do Virtua A lista de registros de Autores, padrão MARC21, gerada pelo sistema Virtua da UFPR apresenta vários elementos que caracterizam da forma mais completa possível cada Autor. De todos os elementos, apenas o que indica o Nome do Autor será utilizado. A Figura 4.2 apresenta um trecho do arquivo de registros de Autores, no qual apenas o elemento 100 foi preservado, os outros foram eliminados por não serem utilizados. Cada registro é filtrado para remoção dos caracteres de controle e separação. Ao final apenas o Nome e Sobrenome de cada Autor restam. =100 1\$aOlearius, Adam,$d =100 1\$aDe Angelini, Anna =100 1\$aMcCoy, Hal Figura 4.2: MARC21. Trecho do arquivo de registros, apenas do nome, de Autores no padrão Base de Índices do OJS A estrutura que representa o entendimento que o OJS faz dos metadados, está descrito em uma relação entre tabelas do banco de dados. Cada uma registrando unidades independentes de informação sobre os índices. Este mecanismo está descrito na Figura A obrigatoriedade do preenchimento de um campo é indicada pelo caracter * ao lado de seu nome.

34 24 Figura 4.3: Estrutura da base de Índices do OJS. A tabela articles registra todas as informações cadastradas sobre a submissão, inclusive os metadados de indexação. Por exemplo, o campo subject registra as palavras-chave preenchidas pelo autor no processo de submissão. A tabela article search objects registra cada termo de indexação referente a um artigo, seu tipo 2 e a qual artigo se refere. A tabela article search object keywords registra a posição exata em que o termo se encontra dentro do campo de texto. A tabela article search keyword list armazena os textos de cada termo usado para indexação. Exemplificando, um termo preenchido pelo autor no campo palavra-chave terá seu texto registrado na tabela article search keyword list e na tabela 2 Os tipos de objetos podem ser author, title, abstract, subject, type, coverage, galley file, supplementary file e index terms.

35 25 article search object keywords a posição em que o termo se encontra dentro de um objeto. A tabela article search objects dirá que o objeto é do tipo subject e que se refere a um artigo em específico. Com esta estrutura é possível armazenar apenas uma vez cada termo e saber exatamente em que posição de qual campo de metadado ele se encontra. Todos os textos dos metadados na base de índices estão com seus caracteres padronizados para caixa-baixa Base de Palavras-Chave do Virtua Da lista de registros de Palavras-Chave, foram preservados os elementos 150 e 550, como mostra a Figura 4.4, que correspondem aos Termos Autorizados e Termos Relacionados respectivamente. Removidos os caracteres de controle e separação, restam apenas os termos. Em verdade, estes elementos registram expressões autorizadas e não apenas palavras individuais. Mas a título de comparação com uma base de palavras-chave, estas expressões foram divididas em palavras simples. =150 \\$aabaco =550 \\$amatematica$xinstrumento =150 \0$aAbrasivos =550 \0$aCeramica$b(Tecnologia) =550 \0$aRebolos. Figura 4.4: Trecho do arquivo de registros de Palavras-Chave no padrão MARC21. Apenas os Termos e Temos Relacionados. 4.3 Sistema Eletrônico de Revistas Os valores apresentados na Tabela 2.1 foram extraídos dia 5 de agosto de Base do Virtua da UFPR Mecanismos de exportação de metadados do Virtua geraram duas listagens, uma de Autores e outa de Palavras-Chave, no padrão MARC21. Da lista de Autores foi extraído de cada registro o campo 100, que corresponde às informações sobre o Nome do Autor. Da

36 26 Número de revistas 33 Número de artigos publicados Número de Autores de artigos Número de Termos de Indexação Número de Expressões-Chave Número de Palavras-Chave Média de Artigos por Revista 159,42 Média de Autores por Artigo 2,81 Média de Palavras-Chave por Artigo 8,43 Tabela 4.1: Quantificadores extraídos do Sistema Eletrônico de Revistas. lista de Palavras-Chave, foram os campos 150 e 550 que correspondem Termos Autorizados e Relacionados respectivamente, onde estão os termos de indexação, suas variações e traduções para outros idiomas. Número de Palavras-Chave Numero de Expressões-Chave Número de Autores Tabela 4.2: Quantificadores extraídos das bases do Sistema Virtua como referência de Comparação 4.4 Estudo das Bases do SER A preocupação com a qualidade dos metadados do Sistemas Eletrônico de Revistas remonta o tempo em que o OJS em sua versão 1 foi eleito como sistema para gerenciar os acervos. Um sistema independente era necessário para implantar cada revista. Bem mais limitado que a atual versão 2, forçava os usuários e administradores do sistema a tomarem medidas alternativas para suprir suas necessidades. Como exemplo pode ser citado que a versão 1 do OJS não dispunha de campos distintos para metadados em idiomas diferentes, levando os usuários a alojar os dados excedentes no próprio campo de resumo. Este uso inadequado do metadado acabou sendo herdado e permanece até hoje. Provavelmente irá afetar também um sistema que venha a dispor de seus dados. Para manter a compatibilidade mas oferecer um sistema mais robusto, foi tomada a decisão de migrar o OJS para sua versão 2. Centralizadora, ela permite que várias

37 27 revistas compartilhem o mesmo sistema e o mesmo banco de dados. Isto causou uma grande otimização de recursos e esforços de manutenção. Antes eram necessários 28 3 backups e atualizações distintas, agora apenas um. A UFPR foi a instituição pioneira no uso da nova versão do OJS no Brasil e ainda a primeira no mundo a implantá-lo em português. A tradução, que em seguida foi disponibilizada para toda comunidade, foi feita pela UFPR e seu nome consta nas referências de colaboradores no aprimoramento da ferramenta[35]. O IBICT[33] cita a UFPR no quesito experiência com relação ao OJS versão 2. Mas antes de efetuar a migração de versão, foi necessário todo um trabalho de homogenização e correção de metadados e falta de registros. As revistas precisaram ser verificadas uma a uma para preencher campos que passaram a ser obrigatórios na nova versão e sem os quais a importação não era possível. Conversões de conjuntos de caracteres do padrão ISO para o UTF-8 foram necessárias em algumas revistas. Substituição e remoção de caracteres especiais em muitos metadados foram feitos também para viabilizar a migração. Todo este processo foi realizado manualmente devido a falta de ferramentas automáticas para tal tarefa. Na versão 2 do OJS muitas restrições e validações, que não faziam parte da versão 1 do sistema, foram incluídas colaborando com a completude de um conjunto mínimo de dados que garantam a identificação de um item do acervo. Mesmo assim, algumas das falhas que precisaram ser corrigidas para melhorar a qualidade das bases migradas continuam ocorrendo, como será abordado em seguida. Não é viável que estas correções precisem ser feitas manualmente, de tempos em tempos, para melhorar a qualidade da base. Toda analise aqui apresentada foi realizada sobre a versão do OJS, levando em conta suas qualidades, limitações e carências. Os dados utilizados são os dados reais do Sistema Eletrônico de Revistas da UFPR, acessível pelo endereço [27]. Muitos dos resultados de testes e experimentos não serão apresentadas neste trabalho, a fim de preservar a identidade dos autores das fontes de dados. 3 Número de Revistas existentes antes da migração para versão 2 do sistema.

38 Considerações sobre a Base de Autores Uma simples consulta por autores com nomes diferentes, como mostra a Consulta 4.5, retornou registros. É exatamente o número de registros de autores do sistema relacionados aos artigos. SELECT last name, first name, middle name FROM article authors ORDER BY last name, first name, middle name Figura 4.5: Trecho do arquivo de registros de Palavras-Chave no padrão MARC21. Apenas os Termos e Termos Relacionados. Antes de começar a considerar a quantidade de registros de autores diferentes, foi feita uma varredura manual por todos os registros em busca de algumas ocorrências inválidas. Puderam ser eliminados 36 registros dos quais 10 não possuíam texto algum, condição não permitida pela atual interface de cadastro de metadados. Os outros 26 registros removidos referenciavam vários autores ao mesmo tempo ou continham frases que não se referiam a um autor, ou seja, o campo foi usado para outra finalidade que não a de descrever um autor. Uma outra consulta simples, como mostra a Consulta 4.6, mas agora procurando registros distintos de autores, isto é, registros onde não há igualdade simultânea entre os campos sobrenome, nome e nome do meio, retornou um total de ocorrências. Isto indica que, comparando com o resultado da Consulta 4.5 menos os registros inválidos, temos autores com registros idênticos, que são registros que apontam para a mesma entidade Autor no mundo real. SELECT DISTINCT last name, first name, middle name FROM article authors ORDER BY last name, first name, middle name Figura 4.6: Busca por Autores diferentes. Se os textos dos nomes forem padronizados para caixa-baixa, temos uma pequena redução do numero de ocorrências para Se além disso forem removidos eventu-

39 ais caracteres de espaços em branco de antes e depois dos textos dos campos, como na Consulta 4.7, a redução chega a Há uma diferença nos números, se em vez de a padronização ser feita pelo próprio banco de dados, for realizada por expressões regulares em linha de comando. Se a padronização for feita externa ao banco de dados, a Consulta 4.7 refeita obtém registros diferentes. SELECT trim(both from lower(last name)) as last, trim(both from lower(first name)) as first trim(both from lower(middle name)) as middle FROM article authors GROUP BY last, first, middle ORDER BY last, first, middle Figura 4.7: Busca por Autores diferentes com campos padronizados em caixa-baixa e sem caracteres de espaço em branco antes e depois dos textos. 29 Estes números indicam que o sistema não deve estar padronizada ou não fez o tratamento adequada da entrada dos dados em algum momento desde sua implantação. Comparando os resultados, percebeu-se que o banco de dados tem dificuldades em efetuar conversão de caracteres especiais. Esta comparação precisa ser feita, pois a interface do sistema oferece um mecanismo de busca por documentos enviados por um autor especificado por seu nome. Eis um motivo para deixar esta validação a cargo da camada de aplicação do sistema. De agora em diante só será tratado com dados de registros padronizados. Se além da padronização para caixa-baixa e remoção de espaços em branco os caracteres especiais 4 forem substituídos por seus correspondentes não especiais, a Consulta 4.6 aplicada retorna um total de registros. Isso mostra que não houve cuidado por parte do indivíduo ao cadastrar os nomes dos autores com a mesma grafia correta, ou mesma grafia, em todas as ocasiões. Uma consulta que verifique apenas o número de sobrenomes diferentes não é muito significativo pois há muita repetição de sobrenomes entre autores, mesmo sem parentesco. Mas uma consulta por nome e sobrenome e ignorando nome do meio, conforme Consulta 4.8, mostra também a variação de casos, onde o campo de nome do meio é ou não 4 Considera-se caracteres especiais os caracteres acentuados.

40 30 ignorado 5. O resultado foi de registros, mas na verificação manual foram detectados 31 homônimos entre dois autores e 2 homônimos entre três autores. O resultado correto é de registros diferentes. SELECT DISTINCT last name as last, first name as first, count(last name) as count FROM article authors ORDER BY last, first Figura 4.8: Apenas por nomes e sobrenomes diferentes com campos padronizados. Os dados obtidos com a base de Autores fornecida pelo sistema Virtua possuem apenas dois campos, nome e sobrenome. Assim, para que a comparação seja possível, é preciso que os dados dos campos de primeiro nome e nome do meio sejam mesclados. Esta mescla, ilustrada na Consulta 4.9, retornou um total de registros. A diferença do resultado desta consulta para o resultado da anterior, considerada a correção, está na diferença da grafia do campo nome do meio. Vários registros estavam com a grafia incorreta. Abreviações com ou sem ponto ou com ou sem espaço entre os termos tomam conta das outras ocorrências. SELECT DISTINCT last name as last, trim(both from(trim(both from first name) trim(both from middle name))) as first FROM article authors id ORDER BY last, first Figura 4.9: Registros de Autores diferentes por sobrenome e primeiro nome mesclado ao nome do meio. Após esta redução significativa no número de registros, cerca de 33%, uma nova verificação manual foi feita, agora eliminando diferenças de grafia óbvias, mas difíceis de serem descritas para identificação automática por um computador. O resultado final é de registros, o que representa 85% do número inicial de registros válidos diferentes e 62,58% do total de registros da base de autores do OJS. 5 O preenchimento de nome do meio (ou outros nomes), não é obrigatória no sistema OJS, mesmo porque é válido e perfeitamente plausível que algumas pessoas não os possuam.

41 Comparação com a Base de Autores do Virtua Uma comparação inicial entre os registros do Sistema Eletrônico de Revistas e os da base de Autores fornecidas pelo Virtua, sem qualquer tratamento dos dados, mostrou a presença de apenas 1 registro coincidente. Para melhorar as chances da ocorrência de correlação de items entre as bases, foi feita uma comparação entre as bases padronizadas. Tanto a base de dados do OJS quanto a do Virtua foram padronizadas. Embora a base do Virtua tenha uma boa qualidade de dados estabelecida pelo pessoal técnico que alimenta o sistema, a presença de caracteres especiais, maiúsculos e minúsculos aumenta muito o número de combinações possíveis. Isso torna quase injusta a comparação entre uma base qualificada e uma de características desconhecidas. Toda padronização e eliminação de registros replicados feita no seção anterior reduziu significativamente o número de possibilidades e de combinações disponíveis. Por outro lado, tornou os registros remanescentes mais semelhantes aos da base de referência. O resultado obtido com a comparação após a padronização das bases foi de 512 registros coincidentes. O aumento de elementos coincidentes é perceptivelmente elevado, mas representa apenas 5,5% da base padronizada do OJS e 2% da base padronizada do Virtua. Estes números são justificados, se forem considerados os históricos de publicações que populam cada uma as bases. A base do OJS é constituída por publicações do ano de 1953 em diante, período em que as revistas em sua versão original não eletrônica foram criadas. Já os autores membros da base do Virtua são, em muitos casos grandes nomes da literatura científica, aqueles que assinam, livros, revistas, teses e outros objetos que remontam à história da humanidade. Uma consulta direta em busca de datas, retorna nomes de épocas de Antes de Cristo Considerações sobre a Base de Palavras-Chave Uma consulta direta e sem restrições na base de indexação, retorna um total de termos. É correto afirmar que não há repetição de termos idênticos nesta base, conforme

42 mencionado no Capítulo Este número de registros se refere a todos os tipos 6 de 32 metadados de indexação disponibilizados pelo sistema. Se forem considerados apenas palavras-chave como na Consulta 4.10, o número de registros será de SELECT FROM askl.keyword id, askl.keyword text, count(askl.keyword id) as count article search objects as aso, article search object keywords as asok, article search keyword list as askl WHERE aso.object id = asok.object id AND asok.keyword id = askl.keyword id AND aso.type = 16 GROUP BY askl.keyword id, askl.keyword text ORDER BY count DESC, askl.keyword text Figura 4.10: Lista de Palavras-Chave e número de ocorrências de cada uma no sistema. Vários artigos possuem palavras-chave comuns. A soma da ocorrência de cada uma delas no sistema é de , gerando uma média de 8,43 termos por artigo. Analisando as ocorrências mais freqüentes, observa-se que dentre os 100 termos mais incidentes grande parte não têm muita relevância. A Figura 4.11 listas os termos mais recorrentes na base junto ao número de vezes que cada um aparece. Dentre os termos que aparecem nesta lista, 30 são comandos html e outros 24 são palavras com pouca relevância como artigos, preposições, etc. Isto se explica pela forma como os metadados, principalmente título e resumo, são preenchidos e posteriormente indexados pelo sistema. Para melhorar a apresentação do artigo e torná-lo mais atraente aos leitores, os autores costumam incluir comandos html para alterar o tamanho e o tipo da fonte de apresentação dos textos. Algumas palavras são colocadas em negrito, outras em itálico, parágrafos são alinhados e/ou destacados. O problema está em o sistema interpretar estes textos e permite que os comandos html sejam incluídos na base de índices sem uma filtragem adequada. Também há os casos de comandos html mal formados, como exemplifica a Figura 4.12 em que falta o símbolo > para encerrar o comando. Estes casos são difíceis 6 Os tipos de objetos podem ser author, title, abstract, subject, type, coverage, galley file, supplementary file e index terms.

43 33 Figura 4.11: Lista dos 100 termos mais freqüentes na base de Indexação do OJS. de detectar por um filtro automático. <p align= justify Estudos têm demonstrado que o... Figura 4.12: Exemplo de conteúdo do metadado abstract de um artigo com má formação no comando html. O outro caso, de termos irrelevantes, pode ser bastante diminuído com uma lista de termos impedidos de entrar na base de índices. Este recurso já é implementado pelo OJS, mas possui apenas termos no idioma Inglês, idioma nativo do sistema. Não há mecanismo que permita que esta lista seja alterada sem que seja necessário o acesso ao código do sistema em seu servidor. Analisando atentamente os textos dos termos de indexação, constata-se a existência

44 34 de muitos termos irregulares. Muitos deles possuem caracteres não alfanuméricos. A base de palavras de indexação tem apenas a política de alojar termos que possuam mais de 2 caracteres. Esta baixa restrição permite um grande número de configurações para um termo, muitos deles inválidos ou irrelevantes. Desta forma podem ser encontrados na base de termos muitas ocorrências de palavras com caracteres não alfanuméricos. Quando removidos os caracteres inválidos, termos passaram a ser iguais em relação a outros elementos, 108 passaram a ter seu primeiro caracter numérico e 60 passaram a iniciar com o caracter -. Se forem desconsiderados também os termos que estritamente referem-se a nomes de Autores, a base de índices relevantes passa a ter termos. Destes, alguns podem ter tomado formas indesejadas pela remoção dos caracteres inválidos. Outra característica da base de índices está no fato de ela não fazer distinção do idioma dos termos. Sendo o sistema preparado para operar em múltiplos idiomas, muitas revistas permitem que sejam submetidos e publicados trabalhos em várias línguas, principalmente inglês, francês, espanhol e alemão. Há campos específicos para preenchimento de metadados de título e resumo em até 3 idiomas, mas isto não vale para os outros metadados. Versões anteriores do OJS não dispunham desta característica multi-idioma, mas isto era contornado cadastrando todos os títulos e resumos no mesmo campo de resumo do idioma nativo da revista. Após a migração do OJS para versão 2, seria necessário um trabalho manual de correção dos textos dos resumos para que fossem colocados nos campos dos idiomas específicos, mas isto não foi feito até o presente momento. A Tabela 4.3 apresenta a quantidade de termos reconhecidos como construções válidas para alguns idiomas pelo programa Aspell[4], e a proporção de termos válidos em relação aos elementos filtrados anteriormente. Os idiomas aqui considerados são aqueles autorizados pelas revistas para submissão de trabalhos. A mesma comparação foi feita com a base de palavras-chave do Virtua. Praticamente um terço da base de índices do OJS não foi reconhecida por nenhuma das bases de comparação. Em parte são termos técnicos bastante específicos e válidos

45 35 Base Palavras Reconhecidas % da Base Português ,07 Inglês ,63 Espanhol ,81 Francês ,27 Alemão ,77 Virtua ,65 Nenhum ,45 Tabela 4.3: Reconhecimento de termos em dicionários de idiomas e no Virtua. como termo indexador qualificado. Outra porção se deve ao fato de terem sido removidos caracteres inválidos de alguns termos o que acabou criando textos incorretos, caracteres estes que não devia fazer parte de uma termo em uma base de índices. Uma outra fração não reconhecida é causada pelo preenchimento dos metadados com erro por parte dos autores. Algumas palavras reconhecidas por outros idiomas que não o português são também palavras mal formadas em português, como por exemplo algebra para o inglês, universitarios para o espanhol e maxima para o francês. São todos termos estrangeiro válidos, mas também são da língua portuguesa sem os respectivos acentos. A Figura 4.13 mostra as proporções dos termos reconhecidos exclusivamente por um idioma do programa Aspell. Figura 4.13: Proporção dos termos identificados exclusivamente em um dos Idiomas. Em geral, o problema é causado por dois principais motivos: (1)pelo baixo nível de restrição a que um termo é submetido antes de ser incorporado à base de índices e,