conferences | speakers | series

S101: Automatisierte Sacherschließung als Produktivverfahren für wissenschaftliche Bibliotheken – Herausforderungen, Lösungsansätze

home

S101: Automatisierte Sacherschließung als Produktivverfahren für wissenschaftliche Bibliotheken – Herausforderungen, Lösungsansätze
Bibliothekartag 2020

Session: Sacherschließung heute – kooperativ und automatisiert I (S101)

Die inhaltliche Erschließung von Textressourcen ist eine Kerntätigkeit wissenschaftlicher Bibliotheken. Angesichts einer stetig wachsenden Zahl an veröffentlichten und nicht erschlossenen wissenschaftlichen Publikationen ist es schon seit längerem nicht mehr möglich, alle Fachinformationen intellektuell zu erschließen, so dass nun insbesondere an Bibliotheken mit übergreifendem Auftrag - etwa im Verbundkontext - über das Potential verschiedener Automatisierungsmethoden nachgedacht wird.
An der Teil- oder gar Vollautomatisierung ihres Erschließungsprozesses arbeitet die ZBW bereits seit der Jahrtausendwende. Zuletzt wurde an der ZBW in einem forschungsbasierten Projekt eine eigene Machine-Learning-Lösung entwickelt - die Integration dieses Prototypen in unsere produktiven Nachweis- und Informationssysteme und die entsprechende Anpassung der Datenflüsse und Workflows steht jedoch noch aus.
Wir wollen in Form eines Werkstattberichts die Herausforderungen darstellen, die sich durch die Verzahnung einer etablierten intellektuellen Tätigkeit mit technologischen Neuerungen aus der Künstlichen Intelligenz ergeben, und die notwendigen Schritte skizzieren, um unsere Lösungen nachhaltig in die bibliothekarische Praxis zu übertragen. Ausgangspunkt ist die Frage, welche Eigenschaften eine geeignete Software-Architektur für eine automatisierte oder zumindest maschinell unterstützte Texterschließung erfüllen muss. Dazu stellen wir eine an das sogenannte Viewpoint-Modell angelehnte High-Level-Spezifikation sowie einen Meilensteinplan für unser Vorhaben über die nächsten zwei Jahre vor, die u.a. folgende Aspekte abdecken: Auf- bzw. Ausbau der Architektur, Modularität, Testumgebungen, Nutzer- und Datenschnittstellen, Integrationspunkte mit weiteren Systemen, sowie nicht-funktionale Aspekte wie Verfügbarkeit, Ausfallsicherheit und kontinuierliche Weiterentwicklung der Machine-Learning-Komponenten sowie des gesamten Produktivsystems.

Anna Kasprzik1, Moritz Fürneisen1, Timo Borst1
1ZBW, Hamburg, Deutschland

Tweet

Speakers: Anna Kasprzik Moritz Fürneisen Timo Borst