SISTEMA GENERADOR Y COSECHADOR DE METADATOS
DUBLIN CORE PARA DOCUMENTOS DE TESIS
Nicandro FARIAS, Martha EVANGELISTA, Pablo ALCARAZ, Luis ALCARAZ.
Facultad de Ingeniera Mecnica y Elctrica Universidad de Colima.
Colima, Col. C.P. 28040, Mxico.
{nmendoza, mevangel, pablo_alcaraz}@ucol.mx
RESUMEN
En este artculo se presenta el desarrollo de un sistema Web de
acceso abierto para la administracin de documentos de tesis
almacenados en un repositorio de documentos en formato PDF
y asociado a un repositorio de metadatos del mismo tipo pero
en formato XML, utilizando el estndar Dublin Core.
El sistema propuesto ofrece una interfaz de usuario que provee
de servicios de bsqueda y recuperacin de documentos de tesis
generados en la Facultad de Ingeniera Mecnica y Elctrica de
la Universidad de Colima, almacenados en formato DCMI y
estructurados en XML. Asimismo, dicho sistema utiliza
protocolos OAI-PMH auto-archivo para enlazarse a otros
sistemas del mismo tipo con dos propsitos: Primero, proveer a
otras universidades o centros de investigacin de los metadatos
generados institucionalmente. Segundo, cosechar los metadatos
producidos y almacenados en sistemas del mismo tipo,
pertenecientes a otras instituciones educativas con el fin de
disponer de un amplio acervo de fuentes de informacin para
los usuarios del sistema.
En este sistema se integran tcnicas y mtodos que contribuyen
en el desarrollo de redes de acceso abierto a la informacin tales
como; algoritmos basados en ontologas para la recuperacin de
informacin en repositorios de metadatos, mtodos para lograr
una interfaz de comunicacin entre las diversas
representaciones de la informacin y mecanismos de
interconexin entre proveedores de datos y servicios.
Palabras Claves: Metadatos, Dublin Core, XML, OAI-PMH,
HTTP.
1. INTRODUCCIN
El desarrollo de sistemas en contextos abiertos requiere la
aplicacin de normas, estndares o iniciativas establecidas
internacionalmente, como las normas ISO 2709 o MARK 21,
las ISBD (CF), las AACR2, OAI-PMH, XML y DCMI para el
procesamiento, recuperacin, acceso e intercambio de
informacin. [1,2,3,8]
En la actualidad el uso de los metadatos incide de manera
relevante en la conformacin de redes de bibliotecas digitales
que comparten informacin a travs de la Web, haciendo uso de
estndares para la representacin de la informacin en forma de
metadatos como el Dublin Core, IEEELom, SCORM, Canadian
Encore, MARC21 y otros protocolos internacionales. [1,4,7]
En este artculo se presenta el desarrollo de un sistema Web
para la administracin de documentos de tesis almacenados en
un repositorio de documentos en formato PDF y asociado a un
repositorio de metadatos del mismo tipo pero en formato
XML, utilizando el estndar Dublin Core.
El sistema propuesto ofrece una interfaz con los usuarios para
proveer servicios de bsqueda y recuperacin de documentos de
tesis generados en la Facultad de Ingeniera Mecnica y
Elctrica de la Universidad de Colima almacenados en formato
DCMI y estructurados con XML. Asimismo utilizamos la
iniciativa OAI-PMH para enlazarnos en la Web con dos
propsitos: Primero, proveer los datos generados
institucionalmente a otras universidades o centros de
investigacin. Segundo cosechar los metadatos almacenados en
otras instituciones con el fin de proveer una amplia gama de
fuentes de informacin para los usuarios del sistema. [1,6,9]
Para darle funcionalidad a nuestro sistema se estructuraron los
siguientes cinco mdulos: Un mdulo que incluye un conjunto
de aplicaciones Web que nos permiten la importacin y
exportacin de metadatos de redes desde y hacia otras redes
cosechadoras de metadatos. Un mdulo que almacena los
metadatos generados localmente o importados de las redes y
que incluye una representacin en XML de los mismos. Un
mdulo que nos permita el almacenamiento y la recuperacin de
documentos en nuestros repositorios de metadatos. Un mdulo
para almacenar los documentos PDF, que corresponden a los
documentos tesis. Y finalmente un modulo Web presenta la
interfaz grafica para el usuario que realiza consultas.
Actualmente el sistema desarrollado funciona de manera local,
constituyndose como una herramienta til de soporte
bibliogrfico para los maestros y estudiantes de la Facultad de
Ingeniera Mecnica y Elctrica de la Universidad de Colima,
impactando en el desarrollo de sus trabajos de investigacin.
En las ltimas dcadas se han desarrollado varios sistemas de
acceso abierto: en 1997 se lanz CogPrints, en el rea de
psicologa, neurociencias y lingstica http://cogprints.org/,
tambin se emiti el directorio de revistas LATINDEX
http://www.latindex.unam.mx. En 1998 se lanz
http://SCielo.www.scielo.org. En 1999 la Iniciativa de Archivo
Abierto http://www.openarchives.org, desarrolla y promueve los
estndares de interoperabilidad, a travs de metadatos, contando
con el apoyo de la NSF de Estados Unidos, implementando los
protocolos: OAI-PMH, que es un protocolo de intercambio de
metadatos, considerando que los metadatos a transmitir va
OAI-PMH debern codificarse en Dublin Core. En 2000 se
desarrollaron Biomed Central http://www.biomedcentral.com/.
y PubMedCentral http://www.pubmedcentral.nih.gov. En 2002
la UNESCO desarroll las guas para tesis y disertaciones
electrnicas, que promueven una iniciativa a nivel mundial
http://www.unesco.org/webworld/etd del acceso pblico a la
informacin. En 2002 se lanz Redalyc. Red de Revistas
Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
http://oai.redalyc.uaemex.mx. [1,3,7,8,11]
Sin embargo en nuestro proyecto ofrecemos un enfoque
particular e innovador de las tcnicas y mtodos para el
desarrollo de sistemas de acceso abierto, como, algoritmos
basados en ontologas para la recuperacin de informacin en
repositorios de metadatos, mtodos para lograr una interface
entre diversas representaciones de la informacin y tcnicas y
mtodos de interconexin con diversas redes de conocimientos.
2. DESARROLLO
Este proyecto tiene como base al Sistema Automatizado para el
Control de Proyectos de Seminario de Investigacin: SACPSI,
este proyecto fue desarrollado y puesto en operacin en la
Facultad de Ingeniera Mecnica y Elctrica de la Universidad
de Colima, con el propsito de registrar y consultar los
proyectos de tesis de los alumnos egresados de esta facultad.
Con el afn de ofrecer un acervo bibliogrfico mas extenso y
flexible para el registro, consulta y acceso a los documentos y
temas de tesis se extendi el SACPSI para que este opere en
lnea y apegado a los principios del acceso abierto. Este sistema
se denomin: Sistema Generador y Cosechador de Metadatos
Dublin Core para Documentos de Tesis (SGCMDCDT).
En nuestro proyecto utilizamos DCMI como instrumento para
especificar los metadatos, con los cuales se describe, se
organizan y recuperan grandes volmenes de informacin
almacenados en formato electrnico. As mismo utilizamos
XML para proporcionar la interoperabilidad que nuestro sistema
requiere. XML( eXtensibleMarkup Language) es un Meta-
lenguaje de marcado, consiste de un conjunto de reglas simples
para proveer un mtodo uniforme para describir intercambiar
datos estructurados, con XML se describe la estructura y la
semntica, no el formato de los datos, adems provee un
estndar internacional independiente de la plataforma de
operacin, para describir informacin.
El sistema de metadatos de Dublin Core est constituido por
quince campos bsicos, los cuales se dividen en tres apartados:
Contenido, Propiedad Intelectual y Aplicacin. La Tabla I
muestra la estructura del metadato que empleamos en este
proyecto.
Tabla I. Estructura del metadato Dublin Core
Contenido Propiedad Intelectual Aplicacin
Ttulo (Title). Creador (Creator). Fecha (Date).
Materia (Subject). Editor (Publisher). Formato (Format).
Descripcin Colaborador Identificador (Identifier).
(Description). (Contributor).
Fuente (Source). Derechos (Rights). Tipo (Type).
Relacin (Relation). Lenguaje (Language).
Cobertura (Coverage).
a).- En el apartado Contenido tenemos los siguientes campos:
Ttulo (Title). Se refiere al ttulo que lleva por nombre el
documento. Materia (Subject). En este campo se hace
referencia a los diversos temas que puede contener el
material. Descripcin (Description). Se hace un breve
resumen sobre el contenido del objeto digital. Fuente
(Source). Es como una pequea ficha bibliogrfica que se
elabora para asentar los datos sobre la procedencia del
documento original. Relacin (Relation). Este campo tiene
que ver con el material principal u objetos de su misma
referencia, ya sea una coleccin, una serie, un documento,
etctera. Cobertura (Coverage). Este campo se refiere al
proyecto o sitio donde estar resguardada la informacin.
Aqu pueden anotarse fechas, zonas geogrficas.
b).- En el apartado de Propiedad Intelectual, encontramos los
siguientes campos:
Creador (Creator). Aqu se anota el autor intelectual de la
obra o documento original. Editor (Publisher). Este campo se
refiere al sitio o coleccin responsable, a la que est adscrito
el material. Colaborador (Contributor). En este campo se
anotan, si es que se da el caso, el nombre u organizacin que
contribuy a la creacin del material, que no se especific en
la parte de Creador. Derechos (Rights). Se anota en este
campo el nombre o la institucin a la cual pertenece el
material y lo facilit.
c).- En el apartado de Aplicacin tenemos los siguientes
campos:
Fecha (Date). Se anota la fecha de elaboracin del registro.
Formato (Format). En este campo se registra el tipo de
extensin con que se presenta el objeto digital, ya sea HTML,
JPG, GIFF o PDF. Identificador (Identifier). Se refiere a la
direccin electrnica de origen a la que est adscrito el
material. Para ello se utilizan las siglas URL. Tipo (Type).
Aqu se menciona la presentacin que tiene el objeto digital,
ya sea como texto, audio, video, etctera. Lenguaje
(Language). En este campo se establecen las siglas
correspondientes al idioma en que se presenta la publicacin.
El Sistema Generador y Cosechador de Metadatos Dublin Core
para Documentos de Tesis (SGCMDCDT) es un software de
aplicacin cuya tarea principal es recolectar y compartir
informacin referente a trabajos de tesis generados y publicados
dentro de la Universidad de Colima y las distintas instituciones
acadmicas del mundo que en conjunto se suman a la iniciativa
de acceso abierto (OAI). El sistema opera como proveedor de
servicios y como proveedor de datos a travs de la contribucin
bibliogrfica de los metadatos que describen a los documentos
de tesis generados internamente y los metadatos cosechados de
otros proveedores de datos de manera automtica por el propio
sistema. El objetivo de ste proceso consiste en motivar tanto a
estudiantes como a profesores e investigadores que trabajan en
labores de docencia e investigacin consultar fuentes de
informacin elaboradas en otras instituciones o a publicar y
difundir sus proyectos de investigacin en un ambiente
colaborativo.
El SGCMDCDT se compone de tres mdulos bsicos de
software que en conjunto permiten alcanzar los objetivos
establecidos. El primer modulo se encarga de establecer y
proporcionar una interface Web que permite gestionar una
interaccin entre el los servicios que ofrece el propio sistema y
los usuarios que hacen uso de ellos. Su objetivo es brindar un
medio de comunicacin sobre el cual transcurran las
interacciones que permitan consultar tanto las tesis provenientes
de la misma Universidad de Colima como aquellas tesis que han
sido recolectadas a travs del protocolo OAI-PMH de sistemas
 proveedores de datos de distintas partes del mundo en cualquier
momento y a travs de consultas especializadas en las que
puede variar el tpico de bsqueda segn la necesidad del
usuario. Es en ste el modulo del sistema donde se proporciona
tanto a alumnos como a maestros de la Universidad de Colima,
las herramientas de gestin que permiten adherir al mismo los
trabajos de tesis que sern sometidos a revisin, y con ello
determinar si cumplen o no con los parmetros establecidos que
posibilitarn a ste recurso a su publicacin dentro de la
plataforma.
La Figura 1 muestra el modelo conceptual de nuestro proyecto,
en esta figura se representan los componentes bsicos del
sistema y la forma en que estos estn relacionados.
Repositorio de
Tesis U. de C.
Interface Grafica de
Repositorio de
Metadatos de
Tesis U. de C.
Usuario
Usuario para la gestin
de documentos de
tesis de la U. de C.
Repositorio de
Metadatos
Cosechados
Proveedor de metadatos de tesis y servicios de creacin, gestin y
almacenamiento.
Figura 1. Modelo conceptual del SGCMCDT
El segundo mdulo del SGCMDCDT es el encargado de
realizar las tareas claves que permiten almacenar tanto la
informacin recabada de manera local como aquella
proveniente de universidades externas. Una vez que las tesis han
sido ingresadas al sistema por parte de los alumnos o maestros
de la propia Universidad de Colima y en ellas han sido
revisados cada uno de los aspectos que definen a dicho recurso
como susceptible a publicacin; las tesis son almacenadas
dentro de repositorios de datos especficos de acuerdo a su
procedencia, y con ello se da comienzo al proceso de creacin
automtica del metadato correspondiente a la informacin
general que describe el recurso publicado, y que al mismo
tiempo; estar disponible para que otros proveedores de
servicios cosechen los metadatos accediendo al sistema a travs
de peticiones http y servicios Web especializados y
representados en un lenguaje de programacin como Java para
su posterior acceso y recoleccin. [1,5,9]
El metadato se forma a partir de la informacin referente a la
descripcin del recurso publicado (titulo del trabajo, tema de
estudio, autor(es), fecha de publicacin, etc.) en formato Dublin
Core y siendo ste representado y codificado en un archivo de
datos XML estandarizado vinculado al acceso del recurso
compartido. Una vez creado el metadato correspondiente al
recurso publicado y compartido; ste es almacenado en otro
repositorios de metadatos donde se vincula de forma directa con
la tesis que ste representa, a efectos de que con l otro sistema
pueda acceder de manera rpida y sencilla a dicho recurso.
Cuando un metadato es recolectado de forma automtica por
nuestro sistema desde un generador de metadatos externo; se da
comienzo al proceso de adaptacin del mismo a nuestro propio
estndar de almacenamiento y representacin de la informacin
que en dicho recurso se representa, es decir, en cada uno de los
metadatos recolectados se analiza la informacin contenida
dentro del mismo y as; verificar la correspondencia de
informacin representada dentro de l y la informacin que a
nuestro sistema le resulta relevante conocer; ya sea para
representarla y/o adecuarla a nuestra propia manera de
almacenar y/o difundir la informacin.
El tercer mdulo del SGCMDCDT se divide en dos sub
mdulos de trabajo. El primero de ellos se encarga del conjunto
de rutinas definidas dentro de una funcin o servicio Web
mediante la cual es posible que se realice una consulta de
informacin dentro del repositorio de metadatos en el que estn
contenidas las tesis publicadas de la Universidad de Colima.
Para acceder a esta informacin es necesario que un proveedor
de servicios o cosechador de metadatos se conecte a nuestro
servidor a travs de la URL que conduce al mismo y adems, es
necesario que dicha aplicacin conozca el nombre del servicio
de recoleccin de metadatos necesario para identificar y
Servicio web OAI-PMH para la
desencadenar la consulta de informacin solicitada y que en ella
cosecha y distribucin de
metadatos de tesis se definen; los parmetros referentes a la especificacin de los
Solicitud HTTP de
metadatos
datos que se desean conocer. El intercambio de informacin en
donde se gestiona tanto la solicitud de informacin como la
Internet
respuesta a la peticin de datos realizada; transcurren
Metadatos recolectados
y/o distribuidos en
formato XML
directamente sobre el protocolo de comunicacin HTTP. En
dicha funcin definida dentro de ste sub modulo se leern los
parmetros de la consulta realizada, sern estos ejecutados de
Repositorio X Repositorio Y
inmediato y se devolver los resultados que coincidieron de
de metadatos
de metadatos
de tesis XML de tesis XML forma estandarizada y apegndose siempre al Protocolo de
Proveedores externos de
Acceso Simple a Objetos conocido comnmente como SOAP y
metadatos de tesis a las normas OAI-PMH en donde se especifica la estricta
representacin de los mensajes referentes a la peticin de datos
o consulta de informacin realizada y la estructura de datos
definida referente a la respuesta de la misma, basados estos
mensajes en el lenguaje de etiquetas XML. [6,10,11]
El segundo sub mdulo se encarga de la tarea contraria al
trabajo descrito en prrafos anteriores, realizada de manera
automtica durante cada semana del ao. En este sub mdulo se
realiza el trabajo necesario para que el SGCMDCDT sea capaz
de recolectar metadatos desde otros sistemas que comparten
informacin del mismo tipo. Debido a que la estructura general
para representar el conjunto de peticiones de datos y respuesta a
las mismas es el SOAP y el OAI-PMH; en este sub mdulo de
trabajo se comienza por definir el conjunto de URL`s que
determinan la ubicacin virtual de cada uno de los servidores
que comparte informacin con ste sistema. Consecuente al
paso anterior, se estructuran los parmetros en los que se define
la informacin que se desea solicitar y en los que es importante
destacar que solo vara la informacin referente a la fecha de la
ltima extraccin de datos realizada sobre cada preciso
proveedor de recursos; evitando con ello obtener metadatos que
ya fueron recolectados en eventos anteriores. Finalmente, al
obtener los metadatos producto de la consulta realizada; estos
son interpretados y analizados de nuevo para verificar que en
cada uno de ellos no falte informacin o sta sea redundante a la
ya contenida dentro de nuestros repositorios de informacin.
3. RESULTADOS
Actualmente el sistema desarrollado se encuentra funcionando
de manera local, constituyndose como una herramienta til de
soporte bibliogrfico para los maestros y estudiantes de la
Facultad de Ingeniera Mecnica y Elctrica de la Universidad
de Colima, impactando en el desarrollo de sus trabajos de
investigacin.
La Figura 2 muestra la interfaz que el sistema ofrece al usuario
para realizar accesos para la consulta o recuperacin de
documentos y temas de tesis de su inters particular.
Figura 2.- Interfaz de bsquedas o recuperacin
La figura anterior muestra los criterios disponibles para realizar
una bsqueda de proyectos de investigacin o tesis: No. de
cuenta, Nombre del alumno, Carrera, Facultad, Proyecto o
nombre de la tesis, Asesor, Descripcin y por ltimo
Generacin a la que pertenece el alumno.
En la Figura 3 se muestra el resultado obtenido de la bsqueda
realizada por carrera, la cual despliega informacin general
referente al documento de tesis: Autor(es).- Nombre de los
alumnos que realizaron la tesis. Facultad y carrera.- Nombre
de la facultad y carrera a la que pertenece el alumno o
investigador. Nombre de la tesis.- Nombre del documento de
tesis. Generacin.- Generacin a la que pertenece el alumno.
Clasificacin.- Nmero de control generado por la biblioteca en
donde se encuentra el documento de tesis impreso. Biblioteca.-
Nmero identificador de biblioteca perteneciente a la
Universidad de Colima en donde se encuentra impresa la tesis.
Archivo.- Enlace HTTP de acceso al documento de tesis en
formato digital.
Figura 3. Bsqueda por carrera
El sistema est en operacin desde 2007 ofreciendo servicios de
registro y consultas de documentos y temas de tesis a la
comunidad de la Universidad de colima.
4. CONCLUSIONES
El SGCMDCDT es una iniciativa de la Universidad de Colima
para proveer a los alumnos, profesores e investigadores de una
herramienta para el registro, consulta, recuperacin y difusin
de fichas bibliogrficas y documentos electrnicos de las tesis
generadas institucionalmente y de las tesis ofrecidas por
proveedores de datos de otras instituciones educativas y de
investigacin alrededor del mundo.
Estamos convencidos de la importancia de este proyecto por su
impacto positivo en la calidad de las tareas educativas y de los
proyectos de investigacin de toda la comunidad acadmica y
cientfica.
Recomendamos que en un futuro realizar las actualizaciones y
convenios que sean necesarios a nuestro sistema para publicar
un Journal de acceso abierto (Gold Open Access) o la
publicacin en un Journal convencional y la publicacin en un
repositorio institucional (Green Open Access).
5. REFERENCIAS
[1] Aguado Lpez E. et al. Redalyc OAI-PMH the open
archives initiative protocol for metadata harvesting
(protocol version 2.0). DC-2006 Proceeding of the
International Conference on Dublin Core and Metadata
Aplications. 2006. pp 244-252.
[2] Brogan, M. L. A Survey of Digital Library Aggregation
Services. Digital Library Federation, Washington, DC,
2003. http://www.diglib.org/pubs/brogan/
[3] Dublin Core Metadata Initiative. (1999). Dublin Core
Metadata Element Set, Version 1.1: Reference Description.
Retrieved November 24, 2002, from
http://www.dublincore.org/documents/dces/.
[4] Heery, R., and Anderson, S. Digital Repositories Review.
UKOLN, AHDS. (Feb. 19, 2005). http://www.jisc.ac.uk/
uploaded_documents/ digitalrepositories-review-2005.pdf.
[5] Heery, R., and Powell, A. Digital Repositories Roadmap:
Looking Forward. UKOLN, Eduserv Foundation. (April
2006).http://www.jisc.ac.uk/uploaded_documents/reproadm
ap-v15.doc
[6] Hunter, J.L. A survey of metadata research for organizing
the web. Library Trends, 52, 2 (2003), 318-344.
http://www.dlib.org/dlib/november05/kastens/11kastens.ht
ml
[7] Knutson, E., Palmer, C.L., and Twidale, M. Tracking
metadata use for digital collections. In Proceedings of the
International DCMI Metadata Conference and Workshop
(DC03) (Seattle, WA, Sept. 28Oct. 2, 2003), 243-244.
[8] Lagoze, C., Van de Sompel, H., Nelson, M., & Warner, S.
(2002). The Open Archives Initiative Protocol for
Metadata Harvesting. Protocol Version 2.0 of 2002-6-14,
document version 2002/09/13T11:34:00Z. Retrieved July
12, 2002, available from
http://www.openarchives.org/OAI_protocol/openarchivespr
otocol.html.
[9] Lagoze, C. et al. Metadata aggregation and automated
digital libraries: A retrospective on the NSDL experience.
In Proceedings of the 6th ACM/IEEE-CS Joint Conference
on Digital Libraries (Chapel Hill, NC, June 11-15, 2006),
230 239.
[10] Palmer, C.L., and Knutson, E. Metadata practices and
implications for federated collections. In Proceedings of the
67th ASIS&T Annual Meeting (Providence, RI, Nov. 12-17,
2004).
[11] Shreeves, S.L., Kaczmarek, J.S., and Cole, T.W.
Harvesting cultural heritage metadata using the OAI
protocol. Library Hi Tech, 21, 2 (2003), 159-169.