Orð og tunga - 2020, Blaðsíða 133

Eiríkur Rögnvaldsson: clarin­miðstöð á Árnastofnun 121
3 Gögn í CLARIN ERIC
Áður en gögn eru skráð í miðlægan gagnagrunn CLARIN ERIC þarf
í fyrsta lagi að útbúa lýsigögn þar sem innihaldi gagnanna er lýst og
upplýsingar gefnar um ýmis atriði sem þau varða – höfunda, tungu­
mál, gagnasnið, notkunarskilmála o.s.frv. Þessi lýsigögn þurfa að
vera á samræmdu sniði til að auðvelda notkun þeirra og leit í þeim.
CLARIN ERIC hefur útbúið sniðmát fyrir lýsigögn til að leiðbeina
notendum um hvaða upplýsingar þurfi að fylgja gögnunum.
Í öðru lagi þarf að ákveða notkunarskilmála gagnanna – hvort þau
eru öllum opin og aðgengileg án takmarkana, eða hvort einhverjar tak­
markanir eru á aðgengi og notkun, og þá hverjar. Það er t.d. algengt að
óheimilt sé að nýta gögn í hagnaðarskyni eða breyta þeim á einhvern
hátt. Til eru ýmsir staðlaðir leyfisskilmálar sem hægt er að velja á
milli, t.d. svonefnd Creative Commons­leyfi (https://creativecommons.
org/), en einnig er hægt að gera gögn aðgengileg með sérsniðnum
leyfum.
Í þriðja lagi getur þurft að breyta gagnasniðinu. Ýmis samræmd
snið hafa verið sett fram fyrir mismunandi tegundir mállegra gagna
– textasöfn, orðasöfn, handrit, uppskriftir hljóðskráa o.s.frv. Þar má
ekki síst nefna margvísleg snið frá Text Encoding Initiative (https://tei­c.
org/). Æskilegt er að gögn séu á einhverju slíku þekktu sniði eftir því
sem kostur er, en lágmarkskrafa er að sniði gagnanna sé nákvæmlega
lýst þannig að auðvelt sé fyrir notendur að átta sig á því.
Í fjórða lagi þarf að gera gögnin aðgengileg, ásamt lýsigögnum.
Það er hægt að gera á ýmsan hátt. Að sumum gögnum er eingöngu
leitaraðgangur gegnum ákveðið leitarviðmót. Notendur geta þá
leitað að orðum og orðasamböndum en það er misjafnt eftir gagna­
sniði og leitarviðmóti hversu nákvæm leitin getur verið, og eftir
hvaða atriðum er hægt að leita. Í öðrum tilvikum er hægt að sækja
gögnin í heild, stundum með ákveðnum skilyrðum sem kveðið er
á um í leyfisskilmálum sem þarf að samþykkja áður en gögnin eru
sótt.
Miðlægt tölvukerfi CLARIN ERIC skannar reglulega allar lýsi­
gagna skrár sem vistaðar eru á öllum CLARIN­miðstöðvum. Upp lýs­
ingar úr þessum skrám fara inn í miðlægan gagnagrunn, sýndarsafn
mál fanga (e. Virtual Language Observatory, https://vlo.clarin.eu/) og þar
er hægt í einni leit að leita í lýsigögnum meira en milljón málfanga um
alla Evrópu. Öllum gögnum sem eru lögð inn til einhverrar CLARIN­
miðstöðvar er gefið varanlegt auðkenni (e. Persistent Identifier, PID).
tunga_22.indb 121 22.06.2020 14:03:54