דיגיטציה של ארכיון עם AI: מטא-דאטה שעומד בתקנים
נכתב לארכיונאים, ספרניות, קטלוגרים ולצוותי אוספים דיגיטליים שיש בידיהם תיאורים שנוסחו ב-AI וצריכים להכניס אותם לקטלוג.
בפרויקט דיגיטציה של ארכיון, AI יודע היום לנסח כותרת, תקציר, שמות, מקומות ותאריכים למסמך סרוק בתוך שניות. פרויקטים לא נתקעים שם. הם נתקעים בשלב הבא, כשכמה אלפי שורות יושבות בגיליון אלקטרוני שאי אפשר לייבא: העמודות לא תואמות אף שדה בקטלוג, אותו שם מופיע בשלושה כתיבים, והתאריך אומר "תחילת שנות ה-20?".
מטא-דאטה שנוצר במכונה שימושי רק אם הוא מגיע לקטלוג בצורה שהקטלוג מצפה לה. את הצורה הזו קובעים תקנים, ומחליטים עליה לפני שהרשומה הראשונה מנוסחת.
לפני הדיגיטציה: בוחרים סכמת יעד
הסכמה היא מה שמערכת הקטלוג שלכם מייבאת. בודקים את זה לפני כל דבר אחר.
- Dublin Core. חמישה-עשר רכיבים כלליים (כותר, יוצר, נושא, תיאור, תאריך, סוג, כיסוי ועוד), בתחזוקת Dublin Core Metadata Initiative. מתאים לרשומות פשוטות ברמת הפריט, והוא פורמט הבסיס לקציר נתונים ב-OAI-PMH. שמות מובנים, סייגים לתאריכים והיררכיה לא נכנסים בו טוב.
- MODS (Metadata Object Description Schema, ספריית הקונגרס). תיאור ביבליוגרפי עשיר יותר ב-XML: שמות מובנים עם תפקידים, כמה סוגי תאריכים, נושאים שמחולקים לנושא, מקום ותקופה, ומאפיינים שמקשרים ערך לאוצר המילים שלו.
- EAD (Encoded Archival Description; הגרסה הנוכחית היא EAD3). הקידוד של עזרי חיפוש היררכיים: ארכיון, סדרה, תיק, פריט. אם ה-AI מתאר אוסף ולא פריטים בודדים, זה בדרך כלל היעד.
מאחורי חלק גדול מהעבודה הארכיונית עומד ISAD(G), התקן הבינלאומי הכללי לתיאור ארכיוני של המועצה הבינלאומית לארכיונים (ICA), במהדורה השנייה משנת 2000. זהו תקן תוכן ולא פורמט קובץ: הוא מגדיר את רכיבי התיאור ואת התיאור הרב-רמתי, מרמת הארכיון עד הפריט. תבנית התיאור הארכיוני של AtoM בנויה לפיו. המודל החדש יותר של ה-ICA, Records in Contexts (RiC), שגרסה 1.0 שלו פורסמה ב-2023, מתאר רשומות, אנשים ופעולות כרשת ולא כעץ. הוא רלוונטי לתכנון נתונים מקושרים; לרוב המוסדות, מסלול הייבוא עדיין עובר דרך EAD, MODS או Dublin Core.
ממפים כל פלט של AI לשדה מוגדר
לפני שמריצים מודל, כותבים מיפוי. לכל פלט של AI צריך להיות שדה יעד אחד בדיוק. מיפוי טיפוסי:
| פלט AI | Dublin Core | MODS | EAD |
|---|---|---|---|
| טיוטת כותר | title | titleInfo/title | unittitle |
| תקציר | description | abstract | scopecontent |
| תאריך | date | originInfo/dateCreated | unitdate |
| אנשים, ארגונים | creator / subject | name | origination / controlaccess |
| מקומות | coverage | subject/geographic | geogname |
| נושאים | subject | subject/topic | controlaccess/subject |
| סוג מסמך | type | genre | genreform |
| שפה | language | language | langmaterial |
מהטבלה נגזרים שני כללים. פלט שאין לו שדה, לא מפיקים. פרשנות ספקולטיבית אין לה לאן ללכת, והיא רק מוסיפה עבודת בקרה. וטקסט OCR מלא אינו מטא-דאטה תיאורי. מקומו בשכבת טקסט נפרדת (למשל ALTO) שמקושרת לרשומה, כפי שמוסבר בפרק על ייצוא במדריך פלטפורמה מול צינור מותאם.
אוצר מילים מבוקר: המודל מציע מונח, לא ממציא
מודל שכותב נושאים בטקסט חופשי יפיק "בתי ספר יהודיים", "חינוך יהודי" ו"בתי ספר עבריים" בשלוש רשומות שקטלוגר היה נותן להן כותרת אחת.
הפתרון הוא להגביל את המודל לאוצרות מילים ולקובצי זהויות קיימים:
- LCSH (רשימת כותרות הנושא של ספריית הקונגרס) לנושאים, וקובץ זהויות השמות של ספריית הקונגרס לשמות.
- VIAF, קובץ הזהויות הבינלאומי הווירטואלי שמתארח ב-OCLC ומאגד רשומות שמות מספריות לאומיות רבות.
- Wikidata, לאנשים, מקומות וארגונים, עם קישורים לקובצי זהויות רבים.
- קובצי זהויות לאומיים. קובץ הזהויות של הספרייה הלאומית (Mazal) מאפשר צורה מועדפת של שם בעד ארבעה כתבים: עברי, לטיני, ערבי וקירילי.
- אוצר מילים מקומי, אם יש כזה במוסד. הוא קודם לכל השאר.
ה-AI מציע מונח מתוך אוצר המילים, יחד עם המזהה שלו, ולא טקסט חופשי. בפועל: שולפים קודם כותרות מועמדות, והמודל בוחר ביניהן. כשאין התאמה, הערך עובר לקטלוגר כהצעה לכותרת חדשה. ל-MODS ול-EAD3 יש מאפיינים לרישום אוצר המילים שממנו נלקח המונח ולמזהה שלו, כך שהקישור שורד את הייבוא.
תאריכים ושמות מקומות
תאריכים בארכיון הם לעיתים קרובות לא ודאיים, ואי-הוודאות עצמה היא מידע. שומרים שתי צורות:
- תאריך תצוגה, כפי שקטלוגר היה כותב אותו: "שנות ה-20 בקירוב", "[1923?]".
- תאריך מנורמל למכונה. ISO 8601 לתאריכים ידועים (1923-05-14). לתאריכים משוערים ולא ודאיים, EDTF (Extended Date/Time Format), שפותח בספריית הקונגרס ושולב מאוחר יותר ב-ISO 8601-2. ב-EDTF,
1923?פירושו לא ודאי,1923~בקירוב,192Xשנה לא מפורטת בשנות ה-20, ו-1920/1929הוא טווח.
MODS מקבל EDTF ישירות (מאפיין encoding="edtf", ולצדו סייג לתאריך משוער, מוסק או מוטל בספק), ו-EAD מאפשר לשמור תאריך מנורמל לצד טקסט התצוגה.
שמות מקומות דורשים אותה משמעת: וילנה, וילנו ווילניוס הן עיר אחת. בתיאור מעתיקים את שם המקום כפי שהוא מופיע במקור; את נקודת הגישה מקשרים לרשומת זהות. לא נותנים למודל "לעדכן" שמות בשקט.
מסמנים מה כתבה המכונה
אחרי הייבוא, אף אחד לא יכול לדעת אילו ערכים אדם בדק ואילו מודל ניחש, אלא אם זה נרשם. לכל שדה שהוצע ב-AI שומרים:
- שהוא הוצע על ידי מכונה, ובאיזה מודל ובאיזו גרסה,
- את ציון הביטחון,
- מי בדק, מתי, והאם הערך אושר, תוקן או נדחה.
התקנים מספקים חלק מהמכלים, לא את כולם. היסטוריית התחזוקה של EAD3 מתעדת אירועים עם סוג סוכן: אדם או מכונה. ב-MODS יש מקטע מידע על הרשומה, עם מקום להערות על מקורה. ל-Dublin Core הפשוט אין מקום למקור ברמת הערך, ו-dcterms:provenance אינו הפתרון: הוא מתאר את היסטוריית המשמורת של הפריט, לא של המטא-דאטה. שומרים את המידע בשדות ניהוליים מקומיים או בקובץ נלווה, ומוסיפים הערה גלויה למשתמשים, למשל "התיאור נוסח בסיוע מכונה ונבדק בידי צוות הארכיון". הפוסט על שובלי ביקורת מרחיב על שרשרת הראיות כולה.
תהליך בקרה: אדם מאשר כל רשומה
שום דבר שנוצר במכונה לא מגיע לקטלוג הציבורי בלי החלטה אנושית. מסדרים את תור הבקרה:
- שדות בביטחון נמוך קודם, בעיקר שמות ותאריכים, שבהם טעות אחת מטעה את המחפשים.
- שדות בביטחון גבוה נדגמים, לא מדלגים עליהם. ציון ביטחון שימושי רק אחרי כיול מול תוצאות שנבדקו. חקר המקרה על כיול רמת הביטחון מראה קטגוריה "ודאית" שצדקה רק ב-56% מהמקרים, ואחרי כיול הסף הגיעה ל-90%.
- שיעור התיקונים נמדד לכל שדה. הוא מראה איפה המודל עוזר ואיפה לא.
המדריך לקטלוג תצלומים ב-AI מיישם את אותו תהליך על אוספי צילום.
תיאור רב-לשוני
אוספים בעברית, ביידיש או ברוסית מתוארים פעמים רבות בשתי שפות, וה-AI מפתה לייצר את השפה השנייה אוטומטית.
- מסמנים שפה לכל ערך. Dublin Core ב-XML מקבל
xml:lang; ב-MODS וב-EAD יש מאפייני שפה וכתב, ו-MODS מאפשר לקבץ גרסאות מקבילות של אותו שדה. - שומרים שמות בכתב המקורי לצד הצורה המתועתקת, לפי טבלת התעתיק שהקטלוג שלכם עובד לפיה (בטבלאות התעתיק של ALA-LC יש טבלה לעברית וליידיש).
- תרגום מכונה של תיאור הוא ערך חדש שנוצר במכונה. מסמנים ובודקים אותו כמו כל שדה אחר.
פיילוט על 100 רשומות לפני הרחבה
מריצים את כל המסלול על כ-100 רשומות שמייצגות את האוסף, כולל הקשות:
- מנסחים מטא-דאטה לפי המיפוי.
- הבודקים שיעבדו בפועל עוברים עליו.
- מודדים זמן לרשומה, שיעור תיקונים לכל שדה, וכמה פעמים ההתאמה לאוצר המילים מצאה מונח.
- מייבאים לסביבת בדיקה של הקטלוג, מייצאים חזרה ובודקים ששום דבר לא אבד.
אם הייבוא עובד ושיעורי התיקון סבירים, מרחיבים. מודל ספרינט הבקלוג מתאר איך קובעים את היקף ההרצה המלאה לפי כושר הבקרה שלכם.
רשימת בדיקה קצרה
- סכמת יעד לפי מה שהקטלוג מייבא: Dublin Core, MODS או EAD.
- מיפוי כתוב; לכל פלט AI שדה יעד אחד.
- נושאים ושמות מתוך LCSH, VIAF, Wikidata, קובץ זהויות לאומי או מקומי, עם מזהים.
- תאריך תצוגה ולצדו תאריך מנורמל ב-ISO 8601 או ב-EDTF.
- מקומות כפי שהם במקור, מקושרים לרשומות זהות.
- מקור ברמת השדה: מודל, ביטחון, בודק, החלטה.
- הערה גלויה שהתיאור נעשה בסיוע מכונה.
- תור בקרה לפי ביטחון; שדות בביטחון גבוה נדגמים.
- שפה וכתב מסומנים לכל ערך.
- פיילוט של 100 רשומות, כולל ייבוא וייצוא, לפני ההרצה המלאה.
אם יש בידיכם תיאורים שנוסחו ב-AI וצריכים להפוך לרשומות קטלוג, אפשר לקרוא איך אנחנו ניגשים לקטלוג ארכיוני, או ליצור קשר עם מדגם רשומות ושם מערכת הקטלוג שלכם.
שאלות נפוצות
לאיזה תקן צריך להתאים תיאורים שנוצרו ב-AI?
לתקן שמערכת הקטלוג שלכם כבר יודעת לייבא. Dublin Core מתאים לרשומות פשוטות ברמת הפריט, MODS לתיאור ביבליוגרפי עשיר יותר, ו-EAD לעזרי חיפוש היררכיים. ההחלטה מתקבלת לפני שמריצים מודל, כי היא קובעת מה המודל יתבקש להפיק.
האם AI יכול לבחור כותרות נושא מ-LCSH או מקובץ זהויות?
כן, אם מגבילים אותו לכך. הדפוס האמין: שולפים מונחים מועמדים מאוצר המילים, המודל בוחר ביניהם, והמזהה של המונח נשמר ברשומה. כשאין התאמה, ההצעה עוברת לקטלוגר ולא נכנסת לרשומה כטקסט חופשי.
איך רושמים תאריך לא ודאי כמו 'שנות ה-20 בקירוב'?
שומרים את התאריך כפי שנוסח לקורא, ומוסיפים צורה מנורמלת ב-ISO 8601, או, לתאריכים משוערים ולא ודאיים, ב-EDTF (Extended Date/Time Format) של ספריית הקונגרס. ב-EDTF, 192X פירושו שנה לא מפורטת בשנות ה-20, ו-1923~ פירושו 1923 בקירוב.
האם צריך לסמן בקטלוג מטא-דאטה שנוצר במכונה?
כן. רושמים אילו שדות הוצעו על ידי AI, באיזו רמת ביטחון ומי בדק אותם, ומוסיפים למשתמשים הערה פשוטה שהתיאור נוסח בסיוע מכונה. צוות עתידי צריך את המידע הזה כדי לדעת באילו ערכים לסמוך.