Na konferenci INFORUM 2000 (23.-25. května 2000) byl pod názvem Registrace a zpřístupňování elektronických zdrojů publikovaných v síti Internet - nový program v České národní bibliografii poprvé veřejně představen projekt, řešený v Národní knihovně ČR v období duben 2000 - prosinec 2001 v rámci programu výzkumu a vývoje Ministerstva kultury ČR. Z těchto uvedených dat je patrné, že realizace zmíněného projektu stála teprve na začátku. Přednáška proto tehdy vycházela hlavně ze studia výsledků řešení podobné problematiky ve světě a z představ řešitelů o cílech projektu. Tehdy ještě informace nezaujaly výjimečnou pozornost, ale také zcela nezapadly, když v anketě registrovaných účastníků konference prezentace obsadila v sekci Trendy a technologie 6. místo.

Řešením tohoto projektu se Česká republika zařadila mezi nejvyspělejší země, které v poslední době oprávněně věnují archivaci elektronických (zejména online přístupných) dokumentů značnou pozornost. Během dvouletého řešení pilotního projektu se tato problematika dostala mezi problémy řešené rovněž na půdě mezinárodních institucí -v této souvislosti jmenujme např. společnou iniciativu CENL (Conference of European National Librarians) a FEP (Federation of European Publishers), jejímž výsledkem je deklarace upravující vztahy mezi vydavateli elektronických zdrojů a depozitními institucemi International declaration on the deposit of electronic publications(český překlad Mezinárodní deklarace k odevzdávání elektronických dokumentů do konzervačního fondu je dostupný na http://webarchiv.nkp.cz/CENL_FEP.pdf). Problém trvalého uchování národního bohatství v podobě elektronických publikací, zejména síťových, tedy už přestává být experimentem “pokrokovějších” zemí, ale stává se obecně naléhavou výzvou pro knihovny i nakladatele, neboť objem digitálních informací narůstá obrovským tempem a politice ochrany těchto dokumentů a k tomu sloužícím technologiím se dosud věnovala minimální nebo nulová podpora. Mnohé z elektronických zdrojů, které neexistují souběžně v tradiční (tištěné nebo analogové) formě (digital born), byly již trvale ztraceny, neboť jejich tvůrci nebo vydavateléodstranili z webu své elektronické publikace, aniž by zajistili jejich trvalou archivaci. Naléhavost řešení tohoto problému dokládávyjádření IFLA, která usiluje rovněž o dohody s IPA (International Publishers Association): “I když náklady na dlouhodobou archivaci jsou vysoké, náklady na nicnedělání v této oblasti by byly katastrofální.”

Registrace, archivace a trvalé zpřístupňování internetových zdrojů je velmi komplexní problematika, kterázahrnuje aspekty knihovnické, legislativní a technologické. Všechny tyto oblasti jsou ovšem vzájemně propojeny a řešení dílčí problematiky je podmíněno řešením v ostatních oblastech. Po celou dobu řešení pilotního projektu, který dostal pracovní název WebArchiv (http://webarchiv.nkp.cz), spolupracovala řešitelská instituce, Národní knihovna České republiky, s pracovníky Ústavu výpočetní techniky Masarykovy univerzity v Brně v oblasti problematiky informačních a komunikačních technologií; na řešení okruhu problémů knihovnických a legislativních se podíleli externí spolupracovníci - odborníci v oblasti elektronického publikování (časopis Ikaros - Ikaros, o. s.).

Řešení pilotního projektu představovalo principiálně testování dvou metod, které by v optimálním případě měly být v praxi aplikovány paralelně s cílem umožnit dlouhodobé uchování a využívání elektronických zdrojů:

• shromažďování, registrace a archivace vybraných domácích elektronických online dostupných dokumentů jako legitimní součásti národní publikační produkce podle stanovených kritérií výběru pro účely České národní bibliografie; tato činnost klade značné nároky na intelektuální práci zpracovatelů;
• shromažďování a archivace domácích zdrojů z Internetu v relativní úplnosti (automatizovaný proces).

Informace o řešení jsou dále rozděleny do dvou částí: na oblast problematiky knihovnické, resp. vydavatelské a právní a na oblast problematiky informačních technologií.

Mnoho pozornosti bylo věnováno legislativním otázkám, týkajícím se jednak autorského práva (archivace a zpřístupňování, resp. kopírování archivovaných dokumentů), jednak práva depozitní knihovny/instituce na povinný "výtisk" elektronického zdroje, resp. jejího oprávnění archivovat internetové zdroje v depozitáři, tedy v digitálním archivu (obdoba konzervačního fondu klasických dokumentů). V některých zemích je již v platnosti zákon o povinném výtisku (Dánsko, Norsko, Slovensko), ovšem znění zákonů jsou příliš obecná a bez upřesňujících směrnic ne příliš v praxi použitelná. Přesnější znění zákonů jsou připravena ke schválení v Austrálii, Finsku a Švédsku. Některé země (Nizozemí, Velká Británie, Německo) aplikovaly dohody mezi depozitními knihovnami a vydavateli, umožňující dočasné řešení legislativních otázek získávání, archivace a zpřístupňování zdrojů publikovaných v síťovém prostředí. Velkým přínosem pro řešení této problematiky v dalších zemích by měla být spolupráce mezi CENL (Conference of European National Librarians) a FEP (Federation of European Publishers). Také v České republice byly v rámci projektu připraveny podmínky k uplatnění dohod depozitní knihovny s vydavateli elektronických zdrojů a k postupné přípravě zákona týkajícího se odevzdávání povinného výtisku vydavateli online přístupných elektronických zdrojů (monografických i seriálových) do digitálního archivu.

Jelikož metadata hrají při dlouhodobé archivaci a zpřístupnění webových zdrojů zásadní roli, byla této otázce věnována značná pozornost také při řešení projektu. Pro tyto účely byl zvolen Dublin Core Metadata Element Set (zkráceně označovaný Dublin Core), který je všeobecně považován za nejperspektivnější metadatový formát, i když je rozšířen méně, než se původně předpokládalo. K hlavním přednostem Dublin Core patří rozšiřitelnost a jednoduchost, což znamená, že základní sadu prvků a jejich atributů (kvalifikátorů) je možné doplnit nebo upravit tak, aby vyhovovala potřebám využití tohoto formátu v konkrétních podmínkách.

Využití Dublin Core v projektu se opírá o překlad Dublin Core Metadata Element Set (v poslední verzi 1.1 schválené v červenci 1999) a kvalifikátorů (schválené v dubnu 2000) do češtiny. Tento překlad byl publikován v červnu 2000 (dostupný na http://www.ics.muni.cz/dublin_core/DC-czech-1.1.html); jeho garantem je Ústav výpočetní techniky MU.

Vzhledem k tomu, že pro vyhledávání dokumentů má nesporně značný význam věcný popis, nejzásadnější změna Dublin Core provedená v rámci projektu WebArchiv v lokalizované verzi generátoru metadatových záznamů podle tohoto standardu se týkala prvku Předmět (Subject). Původní tzv. kvalifikátory schématu umožňující věcný popis pomocí v zahraničí používaných řízených předmětových slovníků a systematických třídění byly nahrazeny, resp. doplněny slovníky a tříděními používanými v domácích veřejných a odborných knihovnách:

• Předmětová hesla Národní knihovny (ukázkový soubor je publikován na serveru NK)
• Polytematický strukturovaný heslář (spravován Státní technickou knihovnou)
• tezaurus Agrovoc (česká verze spravována Ústavem zemědělských a potravinářských informací)
• tezaurus Eurovoc (česká verze spravována Parlamentní knihovnou ČR)
• Český teologický tezaurus (spravován knihovnou Evangelické teologické fakulty UK)
• tezaurus MeSH (česká verze spravována Národní lékařskou knihovnou)
• MDT-Master Reference File (přístupný online a na CD-ROM)
• MDT-Vybrané znaky

Generátor metadat Dublin Core byl v průběhu řešení testován vybranými vydavateli různých typů elektronických zdrojů a průběžně upravován pro praktické využití. I nadále se počítá s jeho vývojem.

Při formulaci kritérií, podle nichž budou vybírány ty zdroje, které budou zařazovány do České národní bibliografie, se vycházelo ze strategií archivace webových zdrojů přijatých v rámci obdobných zahraničních projektů (zejména projektu National Library of Australia PANDORA), ovšem s přihlédnutím ke specifické situaci v České republice. Kritéria jsou výsledkem diskusí, které provázely experimentální zpracovávání webových zdrojů podle Dublin Core (ve spolupráci s kolegy z odborných knihoven a vydavateli elektronických seriálů) v druhé fázi řešení projektu. Na tomto místě je třeba zdůraznit, že i nadále platí, že míra úspěšnosti projektů, které budou zaměřeny na rutinní zpracování webových zdrojů, bude odvozena od ochoty vydavatelů těchto zdrojů integrovat Dublin Core do svých publikačních aktivit.

1. podle domény (místa uložení zdroje)

Primárně jsou brány v úvahu zdroje přístupné na serverech s doménou prvního stupně .cz. V této souvislosti však vyvstává problém, jak správně vymezit tzv. národní web (tj. zda uplatňovat pouze teritoriální hledisko nebo také jazykové hledisko podobně, jako je tomu u tradičních bohemikálních dokumentů). Faktem zůstává, že není možné výše uvedenou podmínku za všech okolností striktně dodržet, protože v některých případech čeští vydavatelé záměrně nebo nuceně (obvykle z důvodu předchozí registrace žádané domény ze strany spekulantů) využívají servery s doménami .com, .net a výjimečně také .org (např. oficiální prezentace Městského úřadu v Hořicích na www.horice.org, fotografický průvodce New Yorkem od M. Baňkové na www.nycmap.com - aj.). V těchto případech je třeba identifikovat vlastníka domény druhého stupně pomocí specializovaných služeb. Stejné zkušenosti byly získány při automatickém sběru švédských webových zdrojů v rámci projektu Kulturarw3 - bylo zjištěno, že až 40 % zdrojů je uloženo na serverech mimo národní doménu .se.

2. podle obsahu zdroje

Jsou brány v úvahu zdroje odborného nebo uměleckého charakteru, u nichž se předpokládá, že mají informační hodnotu pro větší okruh budoucích uživatelů. Záměrně jsou pominuty zdroje, které jsou výsledkem soukromých, firemních nebo ryze reklamních publikačních aktivit, i když s vědomím, že i v této oblasti se mohou vyskytovat zdroje, které mohou být pro některé uživatele zajímavé, resp. zdroje, které nejsou jiným způsobem zveřejněny.

3. podle typu zdroje

Repertoár typů zdrojů (vzorek viz http://webarchiv.nkp.cz/dc.php) je poměrně pestrý a je do jisté míry ovlivněn předchozím kritériem. Při jejich výběru se vychází z běžných klasifikací dokumentů. Jde především o seriály, konferenční příspěvky, výzkumné a jiné zprávy, studie vzniklé např. jako výstupy vědeckých a výzkumných projektů, akademické práce, dokumenty veřejné správy. Je příznačné, že tyto zdroje spadají do kategorie tzv. šedé literatury.

4. podle formy

Jsou brány v úvahu ty zdroje, které jsou publikovány pouze v elektronické formě, aby se zabránilo duplicitě zpracování webových zdrojů a tradičních (tištěných) dokumentů s identickým obsahem.

5. podle přístupu

Jsou brány v úvahu pouze ty zdroje, které jsou volně přístupné, to znamená, že nejsou k dispozici v rámci placených informačních služeb.

6. podle formátu

Zvláštní pozornost byla v rámci projektu soustředěna na elektronické seriály (periodika), u nichž lze očekávat serióznější záměry vydavatele ve srovnání s jednotlivými webovými zdroji. K 5. dubnu 2002 České středisko ISSN registrovalo celkem 253 seriálů přístupných online, které mají různé zaměření: odborné, populárně-naučné, zábavní a zpravodajské. Z teritoriálního hlediska mezi nimi figurují celoplošné i lokální seriály. V jednom případě (Carolina) byla přidělena dvě ISSN (pro českou a anglickou verzi). Ne všechny seriály jsou dosud vydávány (237 titulů). Z uvedeného počtu byl k uvedenému datu pouze časopis Ikaros systematicky excerpován v celostátním měřítku (v databázi knihovnické literatury KKL Národní knihovny ČR od srpna 1999 a v článkové polytematické databázi ANL, která je součástí České národní bibliografie, od května 1999). S některými vydavateli byla zahájena spolupráce (Ikaros, Česká škola, Elektrorevue). Vydavatel časopisu Ikaros vyvíjí nový publikační systém, který bude umožňovat generování metadatových záznamů ve struktuře Dublin Core do zdrojového kódu článků.

Registrované seriály lze rozdělit do tří skupin:

• seriály vycházející výhradně v elektronické formě

• online přílohy tištěných seriálů

• elektronické verze tištěných seriálů

Pro testování vyvíjených, resp. aplikovaných a lokalizovaných softwarových nástrojů sloužil PC suplující server, pracující pod operačním systémem Linux. V konečné fázi řešení se rovněž využíval páskový robot sloužící již dříve v Národní knihovně ČR pro řešení příbuzné problematiky digitalizace tradičních druhů dokumentů.

Softwarovými nástroji se podrobněji zabývá přednáška ing. Petra Žabičky publikovaná rovněž v tomto sborníku; proto uvádím pouze stručný přehled těchto nástrojů, které jsou dostupné pro uživatele na webové prezentaci projektu WebArchiv (http://webarchiv.nkp.cz).Pro vývoj softwarových nástrojů byla navázána spolupráce se severskými zeměmi a bylo použito nástrojů, které byly výsledkem řešení projektů NEDLIB a Nordic Metadata I a II. Řešitelé českého projektu přispěli k dalšímu rozvoji těchto nástrojů.

V současné době jsou k dispozici následující softwarové nástroje:

• Generátor metadat Dublin Core, kterýslouží pro tvorbu metadatových záznamů DC v různých výstupních formátech (viz příloha č. 1);
• Generátor URN pro přidělování jednoznačného čísla národní bibliografie pro elektronické dokumenty (URN:NBN - viz příloha č. 2);
• Kalkulátor MD5, použitelný pro zjištění, jak je daný dokument v archivu zastoupen nebo zda se liší od zdánlivě stejného dokumentu na jiné adrese (viz příloha č. 3);
• Nedlib Harvester, sloužící k automatickému doplňování digitálního archivu.