Las bibliotecas, archivos y museos y, más concretamente, sus depósitos digitales, atesoran generalmente ingentes cantidades de datos (organizados en forma de documentos) y metadatos (organizados en registros bibliográficos y de autoridad), que presentan altos niveles de estructuración, de tratamiento desde el punto de vista semántico y de interoperabilidad. Más allá de objetivos vinculados a la conservación y preservación de sus fondos, estos tres tipos de instituciones necesitan darlos a conocer y hacerlos más accesibles a otras instituciones similares, pero sobre todo a sus usuarios, sean particulares, instituciones o empresas. Todos estos factores resultan especialmente interesantes para la web semántica, y, más específicamente, la web de datos y su propósito de hacer los contenidos más accesibles (leíbles y comprensibles) para las máquinas.

La web semántica pone a disposición de bibliotecas, archivos y museos un modelo de datos para la representación de información en la Web, el Resource Description Framework, RDF1, y unas tecnologías que, en conjunto, permiten dotar de significado a los datos y a las transacciones de datos en la Web. Todos estos componentes han sido estandarizados en forma de normas, especificaciones, recomendaciones, etc. por el W3C2.

Una declaración RDF constituye la forma más simple de expresión de un metadato, mediante grafos de tripletas compuestas por un sujeto –la cosa, el recurso, sobre el que se declara algo–, un predicado –el aspecto que se describe– y un objeto –el valor de lo que se describe sobre el sujeto–. Los recursos que constituyen el sujeto y el predicado tienen que ser designados por identificadores uniformes de recursos, URI3, mientras que el recurso que se sitúa en el objeto de la declaración puede ser expresado mediante URI o literales4. Además, los recursos de los tres componentes de las declaraciones pueden vincularse a ontologías, conceptualizaciones explícitas de ámbitos concretos de la realidad, expresados por lenguajes normalizados –RDF Schema, SKOS, OWL5, y formados, como componentes básicos, por conceptos y relaciones entre conceptos. Al vincular los recursos situados en sujetos y objetos de declaraciones RDF a los conceptos y los predicados a las relaciones, el significado de todos ellos puede elevarse a un marco de representación más amplio que la expresión concreta de una declaración, puede ser compartido por diferentes productores y consumidores de datos, y puede ser sometido a restricciones semánticas expresadas formalmente, muy útiles en el momento que son procesadas por los sistemas automáticos.

Por otro lado, la estructura de grafo permite el procesamiento de la información existente independientemente de que sea completa o detallada o del grado de estructuración de sus fuentes. Al ser una estructura simple, no está sujeta a los cambios de esquema o de formato habituales en las actualizaciones de bases de datos relacionales, y permite el fácil intercambio de datos entre sistemas o versiones diferentes, sin pérdida de datos.

Existen diferentes formatos, o sintaxis, que permiten la codificación de las tripletas que constituyen un grafo RDF y su publicación como datos enlazados. Son los llamados formatos de serialización de RDF, algunos de los cuales han sido normalizados por el W3C.

A priori, la elección de un patrón específico de publicación de datos enlazados determina la preferencia por un formato de serialización específico. Así, en los casos en que la provisión de los datos se realiza incrustados en ficheros HTML, RDFa es la solución idónea. Para el resto de patrones de publicación, entre los que podemos situar la descarga de ficheros (dumping), la generación de grafos desde bases de datos relacionales, o desde almacenes de tripletas, etc., rivalizan RDF/XML, Turtle, y otros9. Turtle ha tenido éxito por la facilidad de escritura y lectura para las personas. No obstante, cada sistema aplica, de origen, un formato “nativo” específico. En cualquier caso, es importante tener en cuenta la existencia de mecanismos de mapeo y transformación entre formatos.

Más allá de los formatos de serialización, se han generado otros modelos de datos diferentes a RDF, que permiten representar información estructurada y semánticamente rica sobre los datos. Entre los que mayor éxito han alcanzado encontramos los Microdatos y JSON-LD, ambos impulsados y normalizados por la W3C. A priori, ambos pueden contemplarse como competidores del modelo RDF en la consecución de la web de datos semánticamente enriquecidos.

Los Microdatos10 son grupos de pares nombre-valor —conocidos como ítems—, que se incorporan en elementos HTML5 como atributos, para describir a qué tipo de entidad hace referencia el contenido de dichos elementos, y qué propiedades se describen sobre dichas entidades. Los valores de las propiedades son, mayoritariamente, segmentos del propio contenido. Existen múltiples vocabularios para la asignación de las entidades y propiedades de las entidades; entre los más conocidos y utilizados se encuentra Schema.org, impulsado por los grandes buscadores generalistas de la web. La facilidad de aplicación de esta tecnología, que puede incorporarse en el flujo de trabajo general de la edición de contenidos en la web, y su potencialidad en la mejora de los resultados de las búsquedas en la web y del posicionamiento de los contenidos, han sido importante factores de impulso. No obstante, en el momento actual, estas potencialidades de los Microdatos vinculadas a la búsqueda semántica y al posicionamiento web no se han desarrollado completamente. Por otro lado, los Microdatos no son legibles, en origen, por analizadores de datos enlazados y si bien se han desarrollado herramientas para la extracción de Microdatos desde HTML y su reconversión al modelo RDF11, el flujo de trabajo en un contexto real puede complicarse de forma considerable.

JSON-LD12 es una alternativa a los formatos de serialización de RDF que está ganando terreno de forma rápida en la publicación de datos enlazados. Esto se debe a su doble naturaleza. Por un lado, está basado en el modelo de datos JSON, lo que le confiere la capacidad de modelar los datos en forma de texto comprensible por humanos (pares atributo-valor), para transmitir datos entre servidores y aplicaciones web, de forma independiente a cualquier lenguaje de programación específico. Por otro lado, su modelo de datos es, en gran medida, compatible con RDF; las limitaciones del original JSON han sido superadas proporcionado apoyo a la referencia a recursos mediante el uso de URI, y proporcionando un mecanismo de vinculación de términos de vocabularios a sus URI correspondientes13. La diferencia fundamental se encuentra en el hecho que JSON-LD admite tripletas con sujetos, predicados y objetos expresados por URI, nodos vacíos y literales en cualquiera de las tres posiciones14. JSON-LD está sirviendo como pasarela para la incorporación de datos enlazados en contextos críticos para su desarrollo y éxito; como son entornos JavaScript, servicios Web y bases de datos NoSQL, sin que se ponga en peligro la continuidad de RDF, ya que, siguiendo la tendencia de otros formatos y modelos de datos, se han desarrollado especificaciones para la interpretación de JSON-LD como RDF, y para la serialización de RDF como JSON-LD.

Podemos concluir que la selección de modelos de datos diferentes, aunque muy próximos, a RDF, como son Microdatos y JSON-LD, para el desarrollo de aplicaciones de datos enlazados está profundamente vinculada a preferencias de contextos y comunidades de uso. Lo que pareciera, a priori, una amenaza puede verse como una oportunidad de expansión, apoyada por la posibilidad de transformación entre todos los modelos de datos y formatos de serialización.

Para la publicación –y, por lo tanto, también el consumo– de datos RDF resultan fundamentales dos iniciativas complementarias: Datos Abiertos (Open Data) y Datos Enlazados (Linked Data)15. La primera iniciativa no prescribe, per se, la adopción del modelo de datos RDF. Se trata de una apuesta por la interoperabilidad de los datos desde una perspectiva legal. De acuerdo con la definición de Open Bibliographic Data16, los Datos Abiertos son, en esencia, usables, reusables y redistribuibles libremente y se manifiestan mediante la aplicación de licencias y formatos abiertos. Esta iniciativa ha tenido un impacto decisivo en el ámbito de la administración pública, cuyo marco jurídico fue definido por primera vez a escala europea con la Directiva 2003/98/CE17, y en España, con su transposición al derecho propio en la Ley 37/200718. Es importante tener en cuenta que en estas primeras disposiciones, los datos y metadatos de bibliotecas, archivos y museos quedaban explícitamente excluidos del amparo de la regulación. No obstante, la revisión de aquella primera directiva mediante la Directiva 2013/37/UE19 ha enmendado esta situación al considerar los beneficios que pueden aportar los datos generados en esas instituciones, no sólo desde un punto de vista cultural y educativo, sino también en oportunidades de negocio. Esta directiva debe transponerse al derecho propio de España, como muy tarde el 18 de julio de 2015, y, en el momento de elaborar este artículo, el Proyecto de Ley por la que se modifica la Ley 37/2007, de 16 de noviembre, sobre reutilización de la información del sector público ha sido publicado en el BOCG20 y se ha encomendado su aprobación por el organismo legislativo.

La modificación del marco normativo de los Datos Abiertos en España va a tener implicaciones relevantes en relación con el desarrollo de esta iniciativa para las Administraciones y organismos del sector público, en general, y, especialmente, para las bibliotecas, archivos y museos.

Por un lado, los nuevos textos normativos abren explícitamente el marco de actuación de los Datos Abiertos tanto a los documentos —o datos— como los metadatos que estos tienen vinculados. En lo que se refiere a los formatos, establecen que, siempre que sea posible, tanto los datos como los metadatos deben ser proporcionados en formatos abiertos y legibles por máquina, y deben cumplir estándares y normas abiertas. Además, los metadatos deben ofrecerse con los niveles más elevados de precisión y desagregación.

Por otro lado, es importante tener en cuenta que una motivación fundamental para la incorporación de estas instituciones al marco normativo de los Datos Abiertos es la constatación de que sus fondos, y, especialmente, los que resultan de proyectos de digitalización, son clave para el desarrollo de productos y servicios en diferentes sectores empresariales (se citan, concretamente, el aprendizaje y el turismo). De hecho, el proyecto de ley española insta a las Administraciones Públicas a velar por la reutilización de los datos para fines tanto comerciales como no comerciales (artículo 4.2), e incorpora medidas de impulso y flexibilización del régimen administrativo de la reutilización de los datos y metadatos (diversificación de las modalidades de reutilización, limitación de las condiciones incorporadas en las licencias, etc.)

Especialmente relevante, en relación con el impulso de la reutilización de datos y metadatos, es el requerimiento a las instituciones a adoptar una actitud proactiva en lo que se refiere a los mecanismos de búsqueda y recuperación de los datos por parte de los usuarios finales. En concreto, el artículo 4.5 del proyecto de ley española prevé medidas que comprometen a todas las Administraciones y organismos del sector público: la creación de sistemas de gestión documental enlazados con sistemas ofrecidos por otras administraciones que faciliten la recuperación de los datos por parte de los ciudadanos, y la provisión de herramientas de búsqueda de datos abiertos para su reutilización. Adicionalmente, ordena a la Administración General del Estado mantener “un catálogo de información pública reutilizable, correspondiente al menos al ámbito de la Administración General del Estado y a sus organismos públicos vinculados o dependientes.” (Proyecto de Ley por la que se modifica la Ley 37/2007, p. 5).

La segunda iniciativa a la que hemos hecho referencia, Datos Enlazados, aborda la perspectiva técnica de la interoperabilidad y es una apuesta clara por el modelo de datos RDF y por otras dos tecnologías de la web semántica: los URI y el lenguaje de búsqueda en datos RDF denominado SPARQL21. Ya son clásicos los cuatro principios rectores de este método de exponer, compartir e interconectar datos en la Web enunciados originalmente por Berners-Lee (2006):

La publicación de datos enlazados significa la creación de conjuntos de datos (data sets) en el contexto de una o más entidades, donde se agregan y mantienen las declaraciones RDF, formando un grafo global, sin los límites de los registros (bibliográficos y de autoridades) y catálogos locales donde se generaron inicialmente. De esta forma, están listos para:

Los beneficios de la aplicación del modelo de Datos Abiertos Enlazados22 a los datos de instituciones del patrimonio cultural han sido señalados por el W3C Library Linked Data Incubator Group23. El ahorro de costes en el enriquecimiento de los datos que se ponen a disposición de los usuarios, el incremento de la difusión y accesibilidad de las colecciones y, más concretamente, su (re)utilización en proyectos culturales y educativos y también en iniciativas empresariales. En conjunto, es una buena oportunidad para impulsar la visibilidad de estas colecciones y su posicionamiento en el ámbito de los recursos de información. También es verdad que la adaptación al modelo de datos RDF y la iniciativa de publicación en forma de Datos Abiertos Enlazados imponen unas condiciones técnicas, legales y políticas que será necesario abordar, en especial en el momento en que los datos y metadatos de bibliotecas, archivos y museos deban incorporarse al conjunto de los datos abiertos de la administración del estado.

El modelo se ha venido aplicando y se ha impuesto como paradigma en la comunidad que trabaja en bibliotecas digitales. Como ejemplos, a parte de los de centros españoles que se comentan más adelante, se puede citar el Zentrales Verzeichnis Digitalisierter Drucke24, depósito centralizado de 108 colecciones digitales alemanas, mayoritariamente de fondos patrimoniales y antiguos, con todos los metadatos recogidos e integrados en una base de datos única de metadatos para acelerar las búsquedas. Entre estas colecciones destaca la Digitale Bibliothek del Münchener Digitalisierungszentrum (Bayerischen Staatsbibliothek)25, con cerca de 907.500 títulos digitalizados. Ambas trabajan con el protocolo OAI y recopilan metadatos Dublin Core y METS. También son destacables las colecciones digitales de todo tipo de documentos desarrolladas por British Library Labs26, muchas de ellas de valor patrimonial. En este caso, la biblioteca ofrece libremente el acceso a los metadatos en diferentes formatos, según cada colección, entre ellos RDF/XML básico, OWL o SKOS con acceso SPARQL (por ejemplo, en la British National Bibliography27).

Existen diferentes iniciativas orientadas a facilitar la exploración de las oportunidades y beneficios de publicar datos de repositorios como datos enlazados.

El ciclo de vida de los datos enlazados comprende un conjunto de fases cíclicas, que incluyen la creación de datos, el enlace (reconciliación) con datos RDF externos, el modelado mediante vocabularios/ontologías, y la publicación para facilitar su consumo. Diferentes metodologías han sido propuestas para concretar y sistematizar dichas fases. En paralelo a la definición del ciclo de vida, se ha desarrollado un sector de herramientas informáticas para la gestión y automatización de fases aisladas, o de varias de ellas de forma conjunta. Una fuente interesante para la identificación y selección de estos tipos de herramientas es Semantic Web Development Tools28 un directorio anotado que es mantenido por la comunidad de usuarios del wiki sobre web semántica del W3C.

Open Refine29 es una herramienta que permite el tránsito por diversas fases del ciclo de vida de los datos enlazados, y que, si bien no ha sido desarrollada para la gestión específica de datos de bibliotecas, archivos y museos, ha tenido un importante impacto en estos ámbitos. A priori, Open Refine facilita la limpieza de grandes cantidades de datos en formatos estructurados, y su enriquecimiento mediante consultas a bases de datos externas. Mediante la incorporación de extensiones como RDF Refine, es posible enlazar los datos originales con datos RDF de conjuntos externos, y transformarlos a RDF mediante el mapeo con vocabularios/ontologías generadas “ad hoc”, o importadas. A partir de aquí, es posible exportar los datos transformados a herramientas de explotación e integración de datos RDF.

En el ámbito específico de las bibliotecas y los museos, cabe destacar ALIADA30, que estará disponible como prototipo final en octubre de 2015. Es una aplicación que facilita el tránsito por todas las fases del ciclo de vida de los datos enlazados, desde la transformación de datos de origen en formatos MARC y LIDO, a datos RDF a través de ontologías específicas de esos dos ámbitos (FRBRoo para datos de biblioteca y CIDOC-CRM para datos de museos), hasta su publicación en diversos tipos de plataformas, como, por ejemplo, CKAN. En el momento de escribir este artículo, es posible la descarga e instalación de la versión ALIADA v. 1.0.

Además de estas herramientas, es importante tener en cuenta casos de uso representativos de diferentes recetas de publicación de datos enlazados a partir de colecciones de bibliotecas, archivos y museos. Ya el W3C Library Linked Data Incubator Group realizó una recopilación de estos casos de uso que se incluye en su informe final31. Más recientemente, Mitchell (2013) explora tres iniciativas de publicación de datos enlazados orientadas a las comunidades del patrimonio cultural: Europeana32, The Digital Public Library of America33, y BIBFRAME34, una iniciativa liderada por la Library of Congress. El valor de estos casos es que el análisis de sus similitudes y diferencias permiten inferir buenas prácticas para la aplicación en otros proyectos del sector.

Los programes empleados para gestionar las 51 colecciones digitales seleccionadas son, ordenados según el número de colecciones que los usan:

Como se ve, hay un claro predominio de DIGIBIB40 (33%) y de DSpace41 (27%). El primero es un programa propietario de la empresa DIGIBIS orientado a la gestión de colecciones, físicas o digitales, que cuenta con una importante presencia en centros españoles42. Basado en MARC21, permite la conversación automática y transparente para el usuario de registros MARC en Europeana Data Model43 (EDM) para su recolección por Hispana y Europeana. Por el contrario, DIGIBIB no dispone de ningún punto SPARQL.

Por su parte, DSpace es un programa de código abierto orientado a la gestión de colecciones digitales con una gran implementación internacional en repositorios institucionales. Basado en Dublin Core, DSpace es compatible también con OAI-PMH y desde la versión 5.0 permite convertir y almacenar los datos en RDF, así como publicarlos por medio de un punto de consulta SPARQL o serializados en RDF/XML, Turtle o N-Triples44. En relación con Europeana Data Model, vale la pena mencionar el excelente trabajo que está llevando a cabo la Subdirección General de Coordinación Bibliotecaria del Ministerio de Educación, Cultura y Deporte que ha desarrollado el plugin DSpace2Europeana que permite a las instalaciones de DSpace interoperar con Europeana “a través de añadir la capacidad de exportación de registros de DSpace en los formatos ESE (Europeana Semantic Elements) y EDM (Europeana Data Model)”45 (Ibai Sistema, 2012).

En relación con la expresión de los datos en RDF, los resultados obtenidos son:

De las 26 colecciones que expresan sus registros en RDF, la distribución según el programa de gestión es la siguiente:

Es decir, todas las colecciones gestionadas con DIGIBIB permiten expresar sus registros bibliográficos en RDF, mientras que de las que son gestionadas con DSpace únicamente hemos tenido constancia de siete que lo hacen (de las siete restantes, tres han confirmado que no, y de otras cuatro no hemos obtenido respuesta). Las dos colecciones gestionadas con Fedora46 también permiten expresar los registros bibliográficos en RDF.

En relación a los catálogos de datos abiertos de las administraciones públicas (datos.gov.es y catálogos específicos de los gobiernos autonómicos y municipales), hemos constatado que, en general, estos depósitos no referencian las colecciones digitales analizadas y que cuando lo hacen no dan cuenta de sus datos RDF.

Respecto a la forma de consulta de los datos expresados en RDF, los resultados obtenidos son:

En este caso, la única colección donde hemos podido constatar que dispone de un punto de consulta SPARQL es el Fondo histórico digitalizado de la UNED47 gestionado con Fedora, si bien por motivos de seguridad su consulta requiere de nombre de usuario y contraseña, y no hemos podido analizar sus datos.

En cuanto a las 21 colecciones que facilitan la consulta de todos sus datos expresados en RDF a través de una API, el resultado es un fichero XML obtenido mediante una petición “verb=ListRecords” según los parámetros del protocolo OAI-PMH48. De todas ellas, catorce corresponden a colecciones gestionadas con DIGIBIB (es decir, no todas) y siete con DSpace.

Por último, hay que mencionar que tres de las colecciones que expresan sus datos en RDF únicamente permiten consultarlos desde el mismo OPAC y de forma individual, es decir, registro por registro. Se trata de tres colecciones gestionadas con DIGIBIB que no disponen de las funcionalidades de publicación en Linked Open Data y en EDM.

Así pues, el análisis de los modelos de datos, las clases y las propiedades de los registros expresados en RDF de las colecciones digitales españolas se ha tenido que limitar a las 21 que lo hacen a través de una API con el método GET. En el resto de casos, como se ha comentado, no hemos obtenido respuesta de la institución, no hemos podido acceder a los datos (SPARQL con claves de acceso) o sólo se pueden consultar los registros individualmente uno por uno (lo que imposibilita garantizar unos resultados exhaustivos para toda la colección).

En relación con el modelo en que son expresados los datos, el análisis de los ficheros obtenidos con las consultas GET, realizadas en los meses de mayo y junio de 2015, muestra que la mayoría de las colecciones, 17 de 21, siguen el Europeana Data Model (EDM): 14 de ellas gestionadas con DIGIBIB y tres con DSpace. Las cuatro restantes, gestionadas con DSpace, siguen el extinto modelo OntoWeb49. En los dos casos, se utiliza XML para la serialización de los datos.

Puesto que ambos modelos establecen especificaciones de clases y de propiedades que pueden ser empleadas de forma diferente, pasamos a analizarlos de forma separada.