Tulevaisuuden vaihtoehdot suurten datamäärien käsittelyyn: DRAS-TIC ja Brown Dog

Suuret datamassat ja niiden tarjoamat mahdollisuudet ja haasteet liitetään yleensä suurten internetjättien, kuten Googlen tai Amazonin, keräämään dataan. Mutta mielenkiintoisia laajoja datoja löytyy myös useiden arkistojen hallusta. Niiden käsittely on kuitenkin hankalaa ja riskinä on, että mahdollisuudet jäävät hyödyntämättä ja käteen jäävät vain haasteet.

Tietomassat ja formaattivelka haasteina

Ensimmäisenä haasteena vastaan tulee todennäköisesti varantojen skaalautuminen. Eli miten infra pysyy perässä, kun tiedostomäärät kasvavat dramaattisesti. Toinen haaste on formaattivelka. Formaattivelalla tarkoitetaan sitä työmäärää tai rahasummaa, joka tulevaisuudessa joudutaan käyttämään tiedostojen jatkokäyttämiseen, kun niiden lukeminen ja prosessointi on muuttunut vaikeaksi tai mahdottomaksi teknologian vanhenemisen myötä. Jos aineistoja hallinoivat tahot eivät aktiivisesti ota huomioon pitkäaikaissäilytystä, ne kerryttävät itselleen hyvin todennäköisesti formaattivelkaa.

Osallistuin helmikuussa Barcelonassa IDCC18-konferenssiin, joka on digitaalisten aineistojen kuratointiin erikoistunut vuosittainen tapahtuma. Konferenssissa Marylandin yliopiston Digital Curation Innovation Centerin johtaja Richard Marciano esitteli näihin ongelmiin vastaavaa kahta eri teknologiapakettia: DRAS-TIC:ia (Digital Repository at Scale that Invites Computation) ja Brown Dogia.

Skaalautuvat tietovarannot

DRAS-TIC on avoimen lähdekoodin horisontaalisesti skaalautuva varanto, jonka ei pitäisi kärsiä lainkaan tiedostomäärän kasvusta – jos kehittäjien mainospuheita on uskominen. Luonnollisesti palvelun ylläpitäjän täytyy pystyä kasvattamaan taustalla pyörivien palvelinten määrää. Akronyymihirviön mielenkiintoisin osa on "that Invites Computation", eli DRAS-TIC varannot on viritetty valmiiksi laskennallista arkistointia (computational archival science) varten, mikä tekee datasta löydettävämpää ja mahdollistaa uuden tiedon johtamisen helpommin jo olemassa olevista aineistoista.

Formaattimuutoksiin uusia työkaluja

Brown Dog on avoimen lähdekoodin työkalukokoelma, jolla prosessoidaan tiedostoja. Sen ydintoiminnot ovat tiedostojen muuntaminen formaatista toiseen ja metadatan kerääminen ja sijoittaminen hakuindeksiin. Formaattimuunnokset toteutetaan erilaisilla muuntimilla, joita tällä hetkellä on Brown Dogin työkalukatalogiin listattuna yhteensä 30.

Brown Dog -esittelyvideo

Ideana on ketjuttaa formaattimuunnoksia erilaisiksi poluiksi. Marcianon käyttämässä esimerkissä käyttäjä lähettää järjestelmään PSD 2.0 tiedoston, joka on tarkoitus muuntaa nykylaitteille sopivampaan muotoon. PSD 2.0 on vuoden 1991 PhotoShop 2.0:n työtiedostoformaatti, joten sen käsittely nykylaitteilla olisi todennäköisesti vähintäänkin hankalaa. Muuntamisen Brown Dog aloittaa käyttämällä Windows 3.0 virtuaalikonetta, johon on asennettu PhotoShop 2.0. PSD muunnetaan ensin TIFF:iksi, joka syötetään Docker-kontissa pyörivälle Linux-koneelle, ja se muuttaa kuvan ImageMagik-muuntimella JPEG 2000 -formaattiin. Esimerkissä polku on lineaarinen, mutta mikään ei estä haaroittamasta polkua ja tekemästä useita rinnakkaisia muunnoksia.

Metadatan kerääminen tiedostoista

Näillä kahdella työkalulla tiedostoista voidaan myös haravoida erilaista metadataa ja näin kartoittaa syntyvää tiedostovarantoa. Esimerkkinä voidaan käyttää tavallisen PDF-tiedoston tallettamista DRAS-TIC:ia ja Brown Dogia hyödyntävään varantoon.

Tallennus tapahtuu vaiheittain:

1. PDF-tiedosto lähetetään tiedostovarantoon, jolloin siitä kerätään talteen tiedoston nimi, koko ja sijainti tiedostovarannossa.
2. Tiedostosta otetaan irti sen PDF-versionumero.
3. Tiedostosta otetaan erilleen tekstisisältö.
4. PDF-tiedoston sisältämät kuvat skannataan tekstisisällön varalta OCR-ohjelmalla (Optical Character Recognition). Lisäksi muilla kuva-analyysityökaluilla kerätään esimerkiksi tiedot siitä, kuinka monta ihmistä kuvissa esiintyy ja minkälaisissa ympäristöissä he ovat.

Näin yhdestä PDF-tiedostosta on kerätty kohtuullisen suuri määrä metadataa, ja kun kaikki tämä metadata indeksoidaan hakuindeksiin, on tiedosto ja sen eri osat helposti löydettävissä usealla eri tavalla.

Brown Dogissa on panostettu siihen, että se on tarvittaessa laajennettavissa omilla työkaluilla, jotka voidaan sovittaa johonkin tiettyyn tehtävään. Jos esimerkiksi tiedostojen tekstisisällöt halutaan avainsanoittaa ja visualisoida varantoa niiden perusteella, voidaan nämä työvaiheet lisätä Brown Dogiin omilla työkaluilla. Näin eri tahot voivat kehittää omiin tarkoituksiinsa sopivan työvuon.

Brown Dog ja DRAS-TIC ovat vielä kehitysvaiheessa, joten aika näyttää, mitä niille lopulta käy. Onnistuessaan ne loisivat mielenkiintoisen pohjan suurten datavarantojen hallintaan ja laskennallisen arkistoinnin soveltamiseen.

Lisätietoa:

» Marciano et al., esitysdiat IDCC2018-konferenssista: Building Open‐Source Digital Curation Services & Repositories at Scale
» CNI Fall 2016 Project Briefings: DRASTIC Measures: Digital Repository at Scale that Invites Computation (To Improve Collections)
» NSCA Brown Dog
» 13th International Digital Curation Conference (IDCC)

Valtteri Kostiainen
sovelluskehittäjä
etunimi.sukunimi [at] uta.fi

Tietoarkisto vei Länsi-Balkaniin osaamista laadullisten aineistojen arkistoinnista

Sain tilaisuuden vierailla Sloveniassa Ljubljanassa laadullisten aineistojen arkisto-osaajan roolissa. Kolmipäiväisen työpajan (9.–11.2.2016) tavoitteena oli perehtyä tutkimusaineistojen arkistointiin. Esitysten ohessa työpajassa käsiteltiin oikeita aineistoja, jotka on tuotettu RRPP-projektissa.

Työpajan osallistujat olivat Albaniasta, Kosovosta, Serbiasta, Makedoniasta, Montenegrosta ja Kroatiasta. Aineistojen kotimaat ja kielet olivat samat kuin osallistujien. Kouluttajia oli minun lisäkseni Slovenian ja Sveitsin tietoarkistoista.

Se että laadulliset aineistot olivat vieraskielisiä, tuotti omat pulmansa niistä keskustelemiseen. Apuna toimi Google-kääntäjä, jonka avulla minun oli mahdollista kurkistella erikielisten aineistojen sisältöihin myös englanniksi jo ennen työpajaa. Koneellisesti tuotetut pikakäännökset ovat tietysti epätarkkoja ja osin virheellisiä. Ne kuitenkin auttoivat oleellisesti arkistointia koskevissa keskusteluissa. Analyysiin Google-kääntäjällä tuotetut aineistot tuskin sopisivat täysin varauksitta.

Kulttuuriset ja historialliset erityispiirteet puolestaan tuovat eri maiden laadullisiin aineistoihin omat eettiset ja lainsäädännöllisetkin haasteensa. Etukäteen oletin, että niistä keskusteltaisiin eniten. Mutta toisin kävi. Olennaisimmat kysymykset arkistoinnin näkökulmasta olivat samat kuin meillä Suomessa: Onko aineistojen sisältämistä henkilöistä ja aineiston tuottamistilanteista riittävästi tietoa? Ovatko haastattelujen kysymykset tai ryhmäkeskustelujen teemat tallessa? Ovatko litteraatit yhdenmukaisia läpi koko aineiston? Mitä aineistojen käytöstä ja erityisesti jatkokäytöstä on sovittu tutkittavien kanssa? Miten laadullista aineistoa voi anonymisoida?

Niin Länsi-Balkanilla kuin meillä Suomessakin laadullisen aineiston arkistointi onnistuu parhaiten, kun ajatus aineiston säilyttämisestä jatkokäyttöä varten on ollut tutkijalla mielessä alusta saakka. Vaikka työpajassa käsiteltyjen aineistojen joukossa oli muutama tällainen valopilkku, harmillisen usein aineistoista puuttuivat tiedot tutkittavien suostumuksesta. Keskusteluissamme tulimme siihen tulokseen, että kirjallisten suostumusten ohella tai niiden sijaan olisi hyvä saada äänitallenteiden alkuun tallennetuksi tutkijan selostus aineiston käytöstä ja säilyttämisestä ja tutkittavien suostumus osallistua annetuin ehdoin. Näin tutkimussuostumukset olisivat mukana itse aineistotiedostoissa ja niistä tehdyissä litteraateissa.

Toisinaan tutkijalla oli kadonnut alkuperäinen haastattelurunko, ja muutamista aineistoista puuttui osa, kun tiedostoja oli hävinnyt tutkijan työkoneen vaihtamisen yhteydessä. Tällaiset riskit ovat mahdollisia kaikilla tutkijoilla maasta riippumatta. Olinkin iloinen voidessani esitellä Tietoarkiston aineistonhallinnan käsikirjaa, josta suurin osa on käännetty myös englanniksi.

Työpajan osallistujat suunnittelevat perustavansa tietoarkistoja omiin kotimaihinsa. Jo karttuneen tietotaidon saavutettavuus auttaa heitä siinä huomattavasti. CESSDA-arkistoista laadullisten aineistojen ylivertaisia osaajia ovat Ison-Britannian UKDA ja pienen Suomen Tietoarkisto.

Lisätietoa:
» SEEDS workshop in Ljubljana
» Aineistonhallinnan käsikirja
» Data Management Guidelines

Arja Kuula-Luumi
kehittämispäällikkö
etunimi.sukunimi [at] uta.fi

Arkistoinnista poliittiseen päätöksentekoon

Tutkimusaineistojen arkistointi parantaa yhteiskunnasta kaikki taudit ja vaivat. Ei ole niin pientä tai isoa huolta, ettei siihen löytyisi helpotusta jo arkistoidusta aineistosta. Vai kuinka se nyt menikään? Ehkä on sittenkin syytä palata vähän taaksepäin ja aloittaa alusta.

Terveydenhuoltotutkimuksen päivillä Liina-Kaisa Tynkkynen Tampereen yliopistosta piti erinomaisen esitelmän aiheesta, miten saada tutkimustulokset nousemaan akateemisen kiinnostuksen tasolta poliittisen päätöksenteon pohjatiedoksi. Erityisesti nyt, kun yhteiskunnassa tehdään isoja muutoksia rakenteisiin, soisi päätösten pohjautuvan tutkittuun tietoon, ei pelkästään poliittisiin agendoihin.

Tärkein viesti Tynkkysen puheessa oli tutkimustiedon esiin tuomisen oikea ajankohta. Jokaisessa päätösprosessissa on olemassa tietty vaihe, mahdollisuuksien ikkuna, jonka aikana päättäjille tuotu tieto vaikuttaa.

Tärkeää on myös osata viestiä asiastansa oikein. Viestin sisältöä pohtiessa on syytä kiinnittää huomiota siihen, mikä viesti itse asiassa on. Keneen halutaan vaikuttaa: poliittisiin päättäjiin, yleiseen mielipiteeseen vai esimerkiksi terveydenhuollon tuottajiin? Entä mikä olisi hyvä viestintäkanava, ja kenen kannattaisi viedä viestiä päättäjille? Tutkija itse ei ole aina paras mahdollinen valinta. Olennaista on myös tehdä itsellensä selväksi, mitä haluaa saada aikaan: onko tarkoitus tarjota ratkaisuja tai antaa päätöksentekoprosessiin uutta tietoa vai tuoda päättäjille esiin ongelma?

Toki tutkijan vaikuttamisen tiellä on monia haasteita. Esimerkiksi poliittinen ilmapiiri ei ehkä juuri nyt ole kaikkein otollisin - Suomessa tuntuu olevan vallalla kulttuuri, jossa tehdään mieluummin kokeiluja kuin tutkimustietoon nojaavia päätöksiä. Realisti ymmärtää, että yksittäisellä tutkimuksella tuskin pystyy muuttamaan politiikan suuntaa. Toisaalta kannattaa muistaa, että mitä enemmän luotettavaa tutkimustietoa kertyy, sitä vahvempi paino sillä on.

Ja miten tämä kaikki taas liittyy tutkimusaineistojen arkistointiin? Tutkimuksen ei tarvitse jäädä yksittäiseksi tähdenlennoksi, jonka mahdollisuus päästä vaikuttamaan asioihin jää pieneksi, vaan tutkimusaineiston voi arkistoida ja saattaa muiden tutkijoiden käyttöön. Tällöin kenties toinen, samaa ilmiötä tutkiva henkilö, voi käyttää sitä oman aineistonsa lisänä tai löytää ilmiöön uuden tutkimusnäkökulman, ja viesti pääsee vahvistumaan. Myös jo unohtuneet tutkimustulokset voidaan ottaa vertailukohdaksi ja parhaimmillaan kahden aineiston avulla verrata tilannetta ennen ja jälkeen tapahtuneen muutoksen.

Tietoarkistokin muuten oli esillä Terveydenhuoltotutkimuksen päivillä. Ensimmäisen päivän rinnakkaissessiossa pääsin itse pitämään esitelmän terveystietoja sisältävien aineistojen arkistoinnista. Lisäksi tapahtumassa oli esillä Tietoarkiston palveluportaali Ailasta kertova rollup.

Lisätietoa:
» Terveydenhuoltotutkimuksen päivät 2015
» Tietoarkiston palveluportaali Aila

Annaleena Okuloff
tieteenala-asiantuntija
etunimi.sukunimi [at] uta.fi

Kun historiantutkijat vaelsivat Joensuuhun – Historiantutkimuksen päivät 22.–24.10.2015 Itä-Suomen yliopistossa

Olo oli oudolla tapaa nostalginen, kun juna kolisutteli pimeää rataosuutta Pieksämäeltä kohti Joensuuta. Vielä hetken on Pohjois-Karjalan maakuntakeskus tavoitettavissa junaillen; maaliskuun 2016 jälkeen sinne ei enää pääse Tampereelta Jyväskylän ja Pieksämäen kautta. Käsillä olivat siis viimeiset hetket vierailla junantuomana Pielisjoen suulle asettuneessa kaupungissa.

Joensuun vierailun syynä olivat 22.–24.10.2015 järjestetyt Historiantutkimuksen päivät, jotka keräsivät kokoon Itä-Suomen yliopiston kampukselle noin 260 historioitsijaa Suomen kaikista historian laitoksista – ja kirsikkana kakun päällä yhden tietoarkistolaisen. Sessioita ja työryhmiä oli kolmen päivän aikana noin seitsemänkymmentä ja esitykset kattoivat aikakausia antiikista nykypäivään. Lisäksi ohjelmaan sisältyi kaksi keynote-luentoa sekä seurustelun ja verkostoitumisen mahdollistavia iltatilaisuuksia. Otolliset ainekset jossain vaiheessa yleensä iskevälle konferenssikoomalle olivat siis lupaavasti kasassa.

Tietoarkistolaisen näkökulmasta päiville osallistumisella oli selkeä tarkoitus: Digitaalisten tutkimusaineistojen avoimuuden ja jatkokäytön edistäminen ei ole vielä vakiintunut humanististen alojen tutkimuskäytöntöihin. Tietoarkiston laajentaessa palveluitaan humanistisille aloille tutkijoiden joukkoon jalkautuminen ja tutkimusaineistojen avoimuuden ilosanoman julistaminen ovat siten ensiarvoisen tärkeitä asioita. Parin päivän aikana käymistäni keskusteluista kävi kuitenkin selväksi, että historiantutkijat alkavat olla enenevässä määrin selvillä avoimen tieteen vaatimuksista tutkimusaineistojen suhteen, ja moni tuntui suhtautuvan asiaan pohjimmiltaan myönteisesti. Tutkimusrahoittajien, kuten Suomen Akatemian suositukset tutkimusaineistojen avaamisesta ovat vaikuttaneet ja vaikuttavat jatkossakin siihen, että tutkijat joutuvat aiempaa aktiivisemmin pohtimaan aineistojen arkistoimiseen ja jatkokäyttöön liittyvää tematiikkaa.

Niinä aikoina, kun en päivystänyt Tietoarkiston pöydän takana, kävin kuuntelemassa esityksiä. Sessioiden valintaan vaikuttivat omat intressini sekä tietoarkistolaisena että keskiajan taiteen tutkijana. Taidehistorian koulutuksen saaneena kuvien tutkijana minua kiinnosti kovasti kuulla, miten historioitsijat käsittelevät ja tutkivat visuaalista aineistoa. Valitsin siten ensimmäiseksi session, jossa käsiteltiin sosiaalisen median kuvamateriaalia, kotialbumien sota-ajan kuvia sekä SA-kuva-arkiston sotavalokuvia digitaalisen humanismin näkökulmasta. Historioitsijat ovat tyypillisesti tottuneet suuntaamaan analyyttisen katseensa ensisijaisesti kohti tekstejä, mutta visuaalinen aines on ehkä historian tutkimuksessa pikkuhiljaa liikahtamassa kuriositeetin tai kuvituksen roolistaan kohti tutkimuksellista keskiötä – tai ainakin sen liepeitä. Historian tutkijat ovat perinteisesti herkkiä kontekstille, ja tämä näkyi onneksi myös esityksissä, vaikka taiteen tutkimuksen näkökulmasta paljon on vielä opittavaa.

Nosteessa olevan digitaalisen humanismin tai tuttavallisemmin digihumanismin tuotteena luodaan usein erilaisia datan visualisointeja ja esimerkiksi esitellyn SA-kuva-arkiston sisällön analyysit olivat muuntuneet kuvapilven muotoon. Erilaiset kuvapilvet havainnollistivat tässä tapauksessa graafisesti eri valokuvien kuvateksteistä poimittujen käsitteiden merkitystä. Datan visualisointi on eittämättä kiinnostava ja havainnollistava tapa esittää kerättyä tietoa, mutta valokuviin liittyvien kuvatekstien muodostamat visualisoinnit nostavat väistämättä sanat merkityksellisempään asemaan kuin varsinaiset kuvat. Tekstintutkija ei tässä välttämättä näe mitään ongelmaa, kuvantutkija kylläkin.

Listalleni päätyi seuraavaksi perinteisempää historiantutkimuksen metodiikkaa kuten keskiajan ja uuden ajan lähdetutkimusta Turun tuomiokirkon Mustasta kirjasta voudintileihin ja Flemingien maakirjoihin. Suuri osa historiantutkijoiden työajasta kuluu edelleen kirjallisen lähdeaineiston analysointiin, eikä sen keskeisyys ole katoamassa. Itselleni kiinnostavaa oli kuulla muun muassa lähdeteoksissa käytetyn paperin vesileima-ajoituksista, joiden perusteella on mahdollista hahmottaa käsikirjojen alkuperäinen kokonaisuus sekä tehdä esimerkiksi melko tarkkoja ajoituksia sen suhteen, milloin jonkin tietyn käsikirjoituksen jokin osa on kirjoitettu tai kuinka monta kirjuria työtä on ollut tekemässä. Toisaalta perinteinen lähdetutkimus voi nykyään kiinnittyä luontevasti digitaaliseen alustaan ja muuntua tietokannaksi, kuten digihumanismin ja perinteikkään historiantutkimuksen ristipaineessa tempoileva voudintilien tutkija aprikoi.

Tässä yhteydessä mainittiin myös itselleni aikaisemmin tuntematon termi "small big data", joka viittaa määrällisesti pieneen mutta luonteeltaan "suureen" dataan, siis eräänlaiseen big datan miniversioon. Puhe big datasta sisältää usein eräänlaisen eeppisen mittasuhteen; määritelläänhän se tyypillisesti valtavista, osin järjestäytymättömistä ja jatkuvasti lisääntyvistä tietomassoista koostuvaksi datamassaksi. Tiedonkeruun kannalta yksittäinen tutkija voi tuntea kauhua määrällisesti valtaisan ja alati laajentuvan tietovarannon kanssa, joten lienee tarpeen pilkkoa käsitettä pienempiin ja paremmin hallittaviin kokonaisuuksiin.

Viimeinen sessio, johon minun oli mahdollista osallistua, käsitteli historiantutkimuksen sähköisiä tutkimusinfrastruktuureja. Esitykset keskittyivät Kansallisarkiston erilaisiin sähköisiin palveluihin, erityisesti digitoitujen karttojen paikkatietojärjestelmän kehittämiseen, heraldisten kokoelmien tietokannan luomiseen ja Suomen keskiajan käsikirjoitusten sähköisen kokoelmatietokannan, Diplomatarium Fennicumin kehittämiseen. Näiden erilaisten sähköisten palvelujen kehittäminen on osa Kansallisarkiston laajempaa tutkimuspalvelustrategiaa, jonka avulla pyritään paremmin vastaamaan erilaisten käyttäjien toiveisiin.

Kuulemieni esitysten perusteella historiantutkimuksen nykytilasta jäi ehkä päällimmäisenä pinnalle digitalisaation haasteet ja sen mukanaan tuomat uudet sovellukset, joita hyödyntämällä tieteenalan on mahdollista suunnata hyvinkin kiinnostaville urille – unohtamatta kuitenkaan perusydintään, lähdekriittistä ja kontekstiherkkää tutkimusotetta.

Historiantutkimuksen päivistä muualla blogosfäärissä:
» Kaisa Kyläkoski: Historiantutkimuksen päivät
» Susanna Ånäs: Olemmeko kaikki historioitsijoita?
» Maria Lähteenmäki: Minne menet historiantutkijoiden ammattikunta tekno-oligarkkien paineen alla?

Lisätietoa:
» SA-kuva-arkisto
» Historiantutkimuksen päivät 2015

Katja Fält
tieteenala-asiantuntija
etunimi.sukunimi [at] uta.fi

Sähköistä säilyttämistä ja sporttista tunnelmaa Dublinissa

Gaelilaisten urheilulajien suorituspaikka, Dublinin Croke Park –stadion saattaa aluksi tuntua melko erikoiselta paikalta järjestää digitaaliseen säilyttämiseen keskittyvä konferenssi. Onko tauoilla kenties tarkoitus pelata hurlingia tai gaelilaista käsipalloa? Pitääkö varoa, ettei joudu lounasjonossa taklatuksi? Nämä huolet osoittautuivat turhiksi, sillä sporttisesta ympäristöstään huolimatta kesäkuun lopulla stadionilla järjestetyssä The 1st Annual Conference on Digital Preservation for the Arts, Social Sciences and Humanities –konferenssissa (DPASSH) ei tarvinnut pelätä, että hiki nousisi pintaan ainakaan liikkumisesta. Ainoat lihaksetkin, jotka rasittuivat, olivat lähinnä istumalihaksia, sillä kaksipäiväisen konferenssin ohjelma oli tiivis.

Konferenssin tarkoituksena oli keskittyä erityisesti sellaisiin digitaalisen säilyttämisen haasteisiin, jotka ovat tyypillisiä humanistisille ja yhteiskuntatieteellisille aloille sekä taiteen tutkimukselle. Sen sponsorina toimi The Digital Repository of Ireland (DRI), joka oli näkyvässä roolissa koko konferenssin ajan. DRI on kansallinen infrastruktuuri, joka pyrkii säilyttämään, hoitamaan ja välittämään Irlannin kulttuuriperintöaineistoja sekä humanistista ja yhteiskuntatieteellistä dataa. Säilyttämisperiaate nousee aivan uuteen valoon, kun otetaan huomioon, että vuonna 1922 sisällissodan melskeissä tapahtunut asiakirja-arkiston (The Public Record Office of Ireland) tulipalo tuhosi suurimman osan Irlannin historiallisesta asiakirja-aineistosta 1200-luvun taitteesta vuoteen 1922. DRI:n tarkoituksena onkin kootusti kerätä yhteen olemassa olevat historian ja nykypäivän tietoaineistot tutkimuksen, opiskelun ja suuren yleisön saataville. DRI:lle on lisäksi heinäkuun alussa myönnetty arvostettu Data Seal of Approval –sertifikaatti, joka myönnetään organisaatioille, jotka säilyttävät sähköisiä aineistoja luotettavasti sekä mahdollistavat niiden jatkokäytön.

Konferenssin osallistujalista oli melko irlantilaisvoittoinen, mutta ilokseni mukaan oli eksynyt myös pohjoismainen kollega, Ruotsin tietoarkiston eli SND:n kieliaineistoista vastaava Caspar Jordan. Myös CSC oli lähettänyt paikalle KDK-PAS-hankkeen (Kansallinen Digitaalinen Kirjasto – Pitkäaikaissäilytys) kehitystyössä mukana olleen it-puolen edustajan. KDK:n perusideahan on hyvin samankaltainen kuin DRI:n, toisin sanoen digitaalisten kulttuuriperintöaineistojen keskitetyn pitkäaikaissäilytyspalvelun suunnittelu ja toteuttaminen.

Konferenssin punaisena lankana toimikin huoli ja vastuu valtavien aineistomassojen säilymisestä ja säilyttämisestä. Kun jo puhtaasti analogista historiallista, taiteellista, yhteiskuntatieteellistä ja kulttuuriperintöön liittyvää aineistoa on valmiina kilometrikaupalla, tuo omat haasteensa nykyinen digitaalinen aika, joka tuottaa jatkuvalla syötöllä valtavia, yli ymmärryksen käyviä aineistomassoja. Osa esityksistä pohdiskelikin erityisesti sitä, miten sovittaa analogiset aineistot digitaalisiin työnkulkuihin. Toisaalta taas osa esityksistä keskittyi nimenomaisesti jatkuvasti tuotettuun digitaaliseen materiaaliin ja sen mielekkääseen säilyttämiseen. Kuinka alati karttuvaa aineistoa (esimerkiksi Facebookissa, Twitterissä, e-lehdissä, jne.) saa talteen sitä vauhtia kuin sitä tuotetaan ja onko kaiken säilyttäminen ylipäätään mielekästä? Nykyisen digitalisoitumisen myötä erilaiset aineistot ovat lisäksi varsin hyvin saatavilla, mutta haasteita luo niiden pitkäaikaissäilytyksen turvaaminen, omistajuuteen niveltyvät kysymykset tai teknisiin ratkaisuihin liittyvät seikat.

Pääosassa olivat aineistot ja sisällöt, paikoin myös teoreettiset lähestymistavat tai aineiston hallinnan kysymykset. Melko monen esityksenpitäjän taustaorganisaatio tai projekti oli sellainen, jossa arkistoinnin lisäksi myös aktiivisesti digitoidaan aineistoja. Erilaisten esimerkkitapausten avulla avattiin sisällöllisiä ja käytännöllisiä ratkaisuja säilyttämiskysymyksiin. Muuan esitys viihdytti yleisöä esittelemällä varhaisen, 1990-lopun online-taideprojektin, The Bono Probability Positioning Systemin, joka toimi eräällä tapaa Google Street View -sovelluksen edeltäjänä. Sen ideana oli liittää erinäisiin Dublinin karttakohteisiin todennäköisyyslaskelma siitä, miten suurella todennäköisyydellä paikassa saattoi törmätä U2-yhtyeen nokkamieheen Bonoon. Projekti oli kieli poskessa luotu ja todennäköisyyslaskelmat täysin hatusta temmattuja. Projekti toimi kuitenkin hyvänä esimerkkinä siitä, millaisia haasteita on pyrkimyksessä säilyttää vanhempaa nettiin luotua digitaalista sisältöä, jota ei alun perin ole ajateltu säilytettäväksi. Perinteisempää ja arkistoalalle tyypillisempiä ongelmia pohdittiin muun muassa esityksissä, jossa esiteltiin arkaluontoiseen aineistoon liittyviä eettisiä ongelmia tai metadatan käsittelyä.

Kodikasta humanistihenkeä ja yhdessä tekemisen ilosanomaa huokunut konferenssi oli leppoisa kokemus, joka kuitenkin tarjosi melko monipuolisen kattauksen digitaalisten aineistojen kirjavaan maailmaan. Konferenssin irlantilaiset järjestäjät toivoivatkin, että DPASSH muodostuisi jokavuotiseksi. Tämän toiveen allekirjoitan mielihyvin.

Lisätietoa:
» DPASSH 2015
» The Digital Repository of Ireland
» The Bono Probability Positioning System

Katja Fält
tieteenala-asiantuntija
etunimi.sukunimi [at] uta.fi

Laadulliset aineistot saivat IASSIST-konferenssissa aiempaa enemmän huomiota

IASSIST (International Association of Social Science Information Service & Technology) on yhteiskuntatieteellistä tutkimusta tukevien yksiköiden, kuten tietoarkistojen ja datakirjastojen, työntekijöiden kansainvälinen järjestö. Sen tärkein toimintamuoto on vuosittain järjestettävä kansainvälinen konferenssi. Tänä vuonna konferenssi järjestettiin Yhdysvaltojen Minneapolisissa kesäkuun ensimmäisellä viikolla. Konferenssiin osallistui myös neljä tietoarkistolaista.

Neljä päivää kestänyt konferenssi tarjosi runsaasti kiinnostavia aihepiiriin liittyviä luentoja ja työpajoja. Työpajat oli sijoitettu tapahtuman ensimmäiselle päivälle tiistaille. Loput kolme päivää oli pyhitetty luennoille ja paneelikeskusteluille. Kymmenestä valittavana olleesta työpajasta osallistuin itse kahteen, jotka molemmat liittyivät laadullisten aineistojen käsittelyyn. Perinteisesti laadulliset aineistot ovat saaneet IASSIST-konferensseissa selvästi kvantitatiivisia sisariaan vähemmän näkyvyyttä, joten kaksi erityisesti kvalitatiivisiin aineistoihin keskittyvää työpajaa olivat tervetullut uudistus.

Työpajoista ensimmäisessä tutustuttiin laadullisten aineistojen analysointityökaluun NVivoon (Using NVivo 10 for Qualitative Data Analysis). Vaikka työkalun perusajatus olikin monelle osallistujalle jo ennestään tuttu, sai kurssilta hyviä vinkkejä NVivon erilaisista käyttömahdollisuuksista. Työpajassa NVivoa lähestyttiin nimenomaan käytännön tasolla. Jokainen osallistuja sai koodata testiaineistoja ja kokeilla ohjelman tarjoamia työkaluja aineistojen analysoinnin helpottamiseksi.

Toinen työpaja käsitteli laadullisten aineistojen arkistoinnin ja jatkokäytön erityispiirteitä (Managing and Sharing Qualitative Data). Tutun aihepiirin teki työpajassa kiinnostavaksi muun muassa se, että sen järjesti yhdysvaltalaiseen Syracusen yliopistoon vasta hiljattain perustettu laadullisten arkistointiin erikoistunut Qualitative Data Repository (QDR).

Työpajan keskusteluissa sain huomata, että laadullisten aineistojen arkistoimisen haasteet ovat samoja maasta ja maanosasta riippumatta. Nämä haasteet liittyvät usein esimerkiksi tutkimuseettisiin ja tekijänoikeuskysymyksiin, arkistointia hankaloittavaan lainsäädäntöön sekä tutkijoiden haluttomuuteen luovuttaa keräämänsä, ja usein kovin henkilökohtaisina pitämänsä, tutkimusaineistot jatkokäyttöön. Kävikin varsin selväksi, että niin esimerkiksi Yhdysvaltojen, Euroopan kuin Afrikankin data-arkistoissa arkistotyöntekijät saavat vakuutella aineistoja kerääviä tutkijoita arkistoinnin hyödyistä ja hälventää aineistojen arkistointiin liittyviä epäluuloja.

Positiivisena muutoksena työpajan osallistujat kertoivat havainneensa sen, että kun aikaisemmin tutkijat tulivat ensimmäisen kerran kysymään arkistointiin liittyviä neuvoja vasta aineistot kerättyään, ottavat he nykyään arkistointimahdollisuuden huomioon yhä useammin jo aineistonhallintasuunnitelmaa laatiessaan. Tämä mahdollistaa sen, että tutkittavilta voidaan pyytää asianmukainen suostumus aineiston arkistointiin jo aineistoa kerättäessä.

IASSISTin varsinaiset luentosessiot oli jaettu teemansa perusteella kolmeen eri ryhmään. Tämä auttoi runsaudenpulasta kärsiviä konferenssiosallistujia valitsemaan monista päällekkäisistä sessioista itselle sopivimmat sen perusteella, kiinnostivatko häntä aineistonhallintaan liittyvät kysymykset, aineistopalvelujen ammatillinen kehittäminen vai datainfrastruktuuri ja -sovellukset. Itse osallistuin pääasiassa kahden ensimmäisen ryhmän luentosessioihin.

Luennot vahvistivat jo työpajassa tekemääni havaintoa siitä, että tutkimusaineistojen arkistointiin liittyvät kysymykset ovat pitkälti samanlaisia maasta ja arkistosta riippumatta. IASSIST tarjoaakin hienon tilaisuuden keskustella yhteisistä haasteista ja kehityssuunnista eri maista tulevien saman alan asiantuntijoiden kanssa. Samalla se tarjoaa vuosittain hyvän katsauksen siitä, mihin suuntaan eri maiden data-arkistot ovat kehittäneet toimintaansa ja palvelujansa edellisen vuoden aikana.

Ammatillisen verkostoitumismahdollisuuden lisäämiseksi IASSIST-konferenssiin kuuluu myös vapaamuotoisempaa ohjelmaa, kuten perinteinen ensimmäisen konferenssipäivän iltavastaanotto. Tällä kertaa vastaanotto järjestettiin Frank Gehryn suunnittelemassa upeassa Weisman Art Museumissa. Vastaanoton ohella perinteisesti yksi IASSISTin odotetuimpia tilaisuuksia varsinaisen konferenssiohjelman ulkopuolella on torstai-illan juhlaillallinen, jossa kansainvälisiä arkistokuulumisia voi vaihtaa hyvän ruoan ja juoman parissa.

IASSIST tarjosi siis jälleen kerran kattavan paketin tutkimusaineistojen arkistointiin ja jatkokäyttöön liittyviä näkökulmia. Seuraavan kerran IASSIST järjestetään Norjan Bergenissä touko-kesäkuun vaihteessa vuonna 2016. Osallistumista voin suositella kaikille tutkimusaineistojen arkistoinnin parissa työskenteleville, tieteenalaan katsomatta.

Lisätietoa:
» IASSIST
» IASSIST 2015 -konferenssi
» NVivo
» Qualitative Data Repository

Jarkko Päivärinta
tietopalveluasiantuntija
etunimi.sukunimi [at] uta.fi

Eurooppalainen datafoorumi EDAF2 esitteli tulevaisuuden tutkijapalveluita mikrodatan käyttäjille

Data without Boundaries (DwB) -projektin lähestyessä loppuaan DwB-väki kokoontui yhteiseen 2nd European Data Access Forum -tapahtumaan Luxemburgiin. DwB-projektiin on osallistunut lukuisa joukko tietoarkistojen, yliopistojen ja tilastokeskuksien henkilökuntaa ympäri Eurooppaa. Projektin tavoitteena on ollut tukea ja helpottaa virallisen tilastollisen mikrodatan saantia tutkimuskäyttöön Euroopan alueella. EDAF2-tapahtumassa tutkailtiin tiiviillä tahdilla, mitä kaikkea DwB-projekti on tuonut tullessaan.

DwB-projektissa on tehty useita kyselyitä ja haastatteluja, joiden avulla on kartoitettu tutkijoiden haluja ja tarpeita mikrodatan löytämisestä ja saamisesta tutkimuskäyttöön. Tulokset kuulostavat, näin tutkimusaineistojen jatkokäyttöä edistävän organisaation edustajan korviin, tutuilta: tutkijat toivovat, että mikrodatat olisi helppo sekä löytää että saada käyttöönsä. Löytämisen helppous liitetään hyvin tuotettuihin ja yksityiskohtaisiin datan kuvailuihin. Kuvailujen eli metadatan avulla tutkijat toivovat voivansa löytää, ei vain sopivat mikrodatat, vaan myös sopivat muuttujat. Luvan saaminen mikrodatan tutkimuskäyttöön ei saisi viedä kauaa eikä olla monimutkikasta. Joskus pelkkä luvan saaminen voi viedä tutkimusprojektista vuoden. Lisäksi tutkijat toivovat muutosta monessa paikassa edelleen olevaan tapaan antaa aineisto käyttöön vain mikrodatan hallinnoijan tiloissa ja koneella. Eniten toivotaan, että mikrodatoja voisi käyttää omalla tietokoneella, jotta niitä voisi analysoida ajasta ja paikasta riippumatta.

DwB-projektilla oli kertoa tutkijoille hyviä uutisia sekä mikrodatan löydettävyydestä että sen saannista. Projektin aikana on kehitetty mikrodatakatalogi CIMES, jonne on kerätty Euroopan maiden mikrodatojen kuvailuja maittain. Toki kuvailujen yksityiskohtaisuudessa on vielä eroja riippuen datan tuottajan organisaatiosta, mutta tutkijan kannalta yksi kuvailujen suhteen heterogeeninen verkkosivu lienee kuitenkin parempi kuin kymmenien eri verkkosivujen tutkiminen erikseen. DwB-projektissa on myös kehitelty tapoja yhdenmukaistaa mikrodatan jatkokäyttöproseduureja eri maiden välillä. Haasteita tähän luovat hyvinkin erilaiset lainsäädännöt eri maiden välillä koskien muun muassa mikrodatan siirtoa toiseen maahan. DwB-projektissa on myös pilotoitu usealla eri tavalla kirjaimellisesti rajat ylittävää datan saantia. Kaikista mieleenpainuvin näistä oli tapahtumassa demonstroitu esimerkki, jossa erilaisten etäkäyttöjärjestelyiden ja sopimusten avustamana mikrodataa voitiin käyttää jopa kansainvälisessä tutkimusryhmässä siten, että tutkijat olivat keskenään eri maissa, käyttivät eri tilasto-ohjelmistoja ja eri maiden datoja, mutta pystyivät silti työskentelemään yhdessä. Uskomattoman hienoa, eikö teistäkin?

Tässä olivat minun näkökulmastani EDAF2-tapahtuman antoisimmat asiat. Toki tapahtumassa käsiteltiin ja esiteltiin paljon muitakin DwB-projektin saavutuksia. EDAF2-tapahtuman materiaalit ovat saatavissa projektin verkkosivuilta. Hauskoja lukuhetkiä!

Lisätietoa:
» Data without Boundaries (DwB)
» EDAF2-esitykset
» Mikrodatakatalogi CIMES

Katja Moilanen
tietoarkkitehti
katja.j.moilanen [at] uta.fi

Itä-Aasian tietoarkistot kutsuvat yhteistyöhön

Tietoarkisto sai viime syksynä kutsun osallistua Japanin tietoarkiston SSJDA:n järjestämään seminaariin 12.–13. helmikuuta Tokiossa. Seminaari oli suunnattu Itä-Aasian arkistoille, mutta meidät kutsuttiin kertomaan Euroopan (ja Suomen) tämän hetkisestä tilanteesta nyt, kun Euroopan tietoarkistojen yhteinen EU-tutkimusinfrastruktuuri - CESSDA ERIC - on aloittamassa toimintaansa. Matkaan lähtivät arkiston johtaja Sami Borg ja minä.

Suomen tietoarkiston lisäksi seminaariin oli kutsuttu Korean tietoarkisto KOSSDA ja Taiwanin tietoarkisto SRDA. Lisäksi paikalla oli edustajia Soulin yliopistosta. Ohjelma oli tiivis. Ennen seminaarin alkua teimme tutustumiskäynnin SSJDA:n tiloihin. Varsinainen seminaari jakautui suljettuun, kutsutuille arkistoille tarkoitettuun osaan ja avoimeen osaan, johon kaikki kiinnostuneet Tokion yliopistolla olivat tervetulleita.

Oli mielenkiintoista havaita kuinka samanlaista arkistojen toiminta oli vaikka kaikkien organisaatiotausta oli erilainen. SSJDA on osa Tokion yliopiston yhteiskuntatieteellistä tutkimuskeskusta. Korean KOSSDAn taustalla on yksityinen säätiö. Taiwanin SRDA on osa Taiwanin kansallisen tutkimusakatemian Academia Sinican kulttuuri- ja yhteiskuntatieteiden alan tutkimuskeskusta. Suomen tietoarkisto puolestaan on opetus- ja kulttuuriministeriön Tampereen yliopistolle osoittama palvelutehtävä ja yliopiston erillisyksikkö.

Erilaisista taustoista huolimatta meitä kaikkia kuitenkin yhdistää se, että luovutamme aineistoja jatkokäyttöön oman kotiorganisaation ulkopuolelle. Aineistojen valmistelu arkistoitavaksi ja jatkokäyttöön tapahtui myös pääosin samojen periaatteiden mukaan, mutta aineistojen hankintatavat eroavat jonkin verran. Japanissa ja Taiwanissa osa aineistoista tulee suoraan isäntäorganisaation tutkijoilta ja osa hankitaan samaan tapaan kuin pääosa aineistoista meillä Suomessa: ottamalla yhteyttä suoraan tutkijoihin ja tutkimusorganisaatioihin. KOSSDAssa hankinta perustuu pitkälti eri organisaatioiden ja järjestöjen kanssa tehtyihin jäsenyyssopimuksiin. Lisäksi sen kumppanit toimittavat KOSSDAlle aineistoja selvästi enemmän kuin KOSSDA pystyy käsittelemään. Suomalaisen tietoarkistolaisen silmissä tämä vaikutti lähinnä positiiviselta ongelmalta.

Kaikki seminaariin osallistuneet arkistot toimittavat aineistoja oman kotimaansa ulkopuolelle. Myös suomalaiset tutkijat voivat saada esimerkiksi Japanin tietoarkiston aineistoja käyttöönsä. Kieli tosin saattaa muodostua ongelmaksi - kaikkea ei ole saatavilla englanniksi.

En itse ollut aiemmin käynyt Japanissa, joten seminaarin lisäksi kaikki muukin oli hyvin kiinnostavaa. Tokio on valtava kaupunki, ja on uskomatonta kuinka hyvin kaikki siellä toimii. Japanilaiset ovat kohteliaita ja avuliaita.

Tietoarkistojen kanssakäyminen on hyvin vilkasta. Eurooppalaisten arkistojen yhteistyön painopiste on kuitenkin Euroopassa ja eurooppalaisuus varmasti painottuu edelleen CESSDA ERICin myötä. Oli hyvin mielenkiintoista tavata myös aasialaisten tietoarkistojen edustajia ja kuulla näiden toiminnasta.

Matti Heinonen
ATK-erikoistutkija
etunimi.sukunimi [at] uta.fi

ICPSR:n kesäkurssit arkistoijan opinahjona

Michiganin yliopiston yhteydessä Ann Arborissa toimiva data-arkisto ICPSR (Inter-university Consortium for Political and Social Research) järjestää vuosittain lukuisia erilaisia kesäkursseja, joiden kohderyhmänä ovat tutkijat ja arkistoalan työntekijät ympäri maailmaa. Silloin tällöin myös Yhteiskuntatieteellinen tietoarkisto lähettää työntekijöitänsä Ann Arboriin hankkimaan koulutusta ja uusia ideoita tutkimusaineistojen arkistointiin. Samalla tarjoutuu hyvä mahdollisuus vaihtaa kokemuksia muualta maailmasta tulleiden arkistoalan työntekijöiden kanssa. Tänä vuonna matka-arpa osui omalle kohdalleni.

ICPSR:n kesäkurssien pääpaino on ollut perinteisesti vahvasti kvantitatiivisten tutkimusaineistojen puolella, mutta heinä-elokuun vaihteessa järjestetty viisipäiväinen Curating and Managing Research Data for Re-Use tarjosi kiinnostavia näkökulmia myös kvalitatiivisten aineistojen käsittelyyn ja arkistointiin.

Kurssille osallistui 26 eri tavoin tutkimusaineistojen arkistoinnin parissa työskentelevää henkilöä. Suurin osa osallistujista tuli Yhdysvalloista, mutta joukossa oli kauempaa tulleita arkistotyöntekijöitä myös Kanadasta, Etelä-Afrikasta ja Ruotsista. Kurssin opettajina toimivat Jared Lyle ja Mary Vardigan ICPSR:stä sekä Ron Nakao Stanford Universitystä ja Jake Carlson Purdue Universitystä.

Kunkin päivän ohjelma oli rakennettu oman teeman ympärille. Päivittäisiä teemoja olivat tutkimusaineistojen elinkaari, arkistointipolitiikat, aineiston käsittely, aineistojen tietoturvallinen säilytys sekä jatkokäyttö. Kunkin päivän pääpuhuja oli kyseiseen teemaan erikoistunut asiantuntija. Luentojen lisäksi kurssi sisälsi paljon ryhmätöinä tehtyjä harjoituksia. Virallisen ohjelman ulkopuolella kurssin sisältöön kuului vierailu läheisessä Clarkin kirjastossa, jossa meille esiteltiin esimerkiksi kartta-aineistojen digitointia.

Kurssilla tutustuimme muun muassa erilaisiin teknisiin työkaluihin, jotka auttavat tutkimusaineistojen kuvailujen laatimisessa ja metadatan tallentamisessa. Opimme myös kuinka toimii pitkälle automatisoitu aineistojen talletusjärjestelmä, jossa tutkija voi luovuttaa tutkimusaineistonsa arkistoon suoraan verkossa. Tulevaisuudessa, kun rahoittajat uudistavat data-politiikkaansa ja arkistointivelvoitteet lisääntyvät myös Suomessa, vastaavaan järjestelmään siirtyminen on mitä todennäköisimmin edessä myös Yhteiskuntatieteellisessä tietoarkistossa.

Kokonaisuudessaan osallistuminen ICPSR:n kesäkurssille oli kaikin puolin hieno ja opettavainen kokemus. Opimme paljon ICPSR:n omista arkistointikäytännöistä ja aineistonkäsittelyntavoista. Lisäksi tutustuimme laajalti muihin mahdollisuuksiin käsitellä arkistoitavia tutkimusaineistoja ja saattaa niitä jatkokäyttäjien ulottuville. Uskallankin suositella nyt toista kertaa järjestettyä kurssia kaikille, jotka työskentelevät tutkimusaineistojen arkistoinnin parissa.

Lisätietoja: ICPSR:n kesäkurssien verkkosivusto.

Jarkko Päivärinta
tutkimusamanuenssi
etunimi.sukunimi [at] uta.fi

Dataintensiivinen tiede tarvitsee oikeanlaista metadataa

Ilman kuvailevaa tietoa, metadataa, sähköinen tutkimusaineisto, data, on merkityksetöntä bittimössöä. Jotta tutkimusaineistoa voidaan hyödyntää nyt ja tulevaisuudessa, tarvitaan tietoa esimerkiksi sen sisällöstä ja rakenteesta sekä mahdollisista muokkauksista ja käyttöoikeuksista. Näitä tarpeita varten eri maiden yhteiskuntatieteelliset data-arkistot kehittivät 1990-luvulla uuden monipuolisen kuvailuformaatin, DDI:n. Aluksi DDI keskittyi tutkimusaineistojen arkistointivaiheessa tarvittavaan metadataan, mutta tuorein versio, DDI 3, kattaa datan koko elinkaaren.

DDI:n käyttäjäkunta laajenee jatkuvasti. Viime vuoden joulukuussa järjestetty 2nd Annual European DDI Users Group Meeting, tuttavallisemmin EDDI, houkutteli talviseen Utrechtiin seitsemänkymmentä tutkimusaineistojen metadatan asiantuntijaa. Osallistujia oli data-arkistojen lisäksi muun muassa akateemisista tutkimusorganisaatioista, kaupallisista ohjelmistoyrityksistä, Eurostatista ja Australian tilastotoimesta. Yhteistä kaikille osallistujille oli halu hyödyntää olemassa olevien ja tulevien tietoaineistojen koko potentiaali ja tahto palvella dataa tuottavia ja käyttäviä sidosryhmiä parhaalla mahdollisella tavalla.

Tietoarkistosta meitä oli Utrechtissä kaksi: minä ja atk-erikoistutkijamme Matti Heinonen. Kaksipäiväisen seminaarin aikana ehdimme saada aimo annoksen sekä käytännön tietoa että uusia ideoita. Matti keskittyi teknisiin sessioihin, minulle jäivät "yleisemmät teemat". Yli kahdenkymmenen toinen toistaan paremman esityksen joukosta kiinnostavimmiksi nousivat mielestäni Peter Wittenburgin ja Steven Valen esitykset.

Max Planck -instituutin kieliarkistoa johtava Peter Wittenburg kertoi tieteellisen datan eurooppalaista e-infrastruktuuria visioineen korkean tason asiantuntijaryhmän työn tuloksista. Tämä HLEG-ryhmä luovutti lokakuussa Euroopan komissiolle loppuraporttinsa "Riding the wave. How Europe can gain from the rising tide of scientific data". Tiede on tällä hetkellä dataintensiivistä: tutkijat elävät suurten datamassojen keskellä ja tutkijoiden käytössä olevan datan määrä kasvaa koko ajan kaikilla tieteenaloilla. Tämä tieteen neljänneksi paradigmaksikin kutsuttu vaihe tarjoaa luonnollisesti runsaasti mahdollisuuksia, mutta esityksessään Wittenburg keskittyi haasteisiin. Datanhallinnan vaatimukset kasvavat kohisten. Esimerkiksi datan säilytysaika ja -strategiat vaihtelevat datan tyypin mukaan. Yleistäen voidaan sanoa, että luonnontieteissä ongelmana on datan määrä, yhteiskuntatieteissä ja humanistisissa tieteissä datan monimutkaisuus. Oikeanlainen metadata on keskeinen datanhallinnan väline.

Wittenburgin puheessa toistui myös sana luottamus: eri toimijoiden datan elinkaaren eri vaiheissa olisi voitava luottaa toisiinsa ja tietysti itse dataan. Tärkeää olisi myös saavuttaa laaja konsensus siitä, että arvokkaan tieteellisen datan laadukas dokumentointi, huolellinen säilyttäminen ja mahdollisimman avoin saatavuus jatkokäyttöön hyödyttävät sekä tiedeyhteisöä että yhteiskuntaa. Haasteet ovat samanlaisia tai ainakin hyvin samankaltaisia (Euroopan) eri maissa ja eri tieteenaloilla, ja ne ovat tuttuja tietoarkistotyön arjestakin.

YK:n Euroopan talouskomission UNECE:n Steven Vale tarkasteli esityksessään datanhallinnan ongelmia tilastojen tuottajan näkökulmasta. Tilastovirastojen yhteistyön helpottamiseksi ja tilastojen laadun parantamiseksi UNECE, Eurostat ja OECD:n METIS-työryhmä ovat tuottaneet tilastollisten metadatajärjestelmien perustietopaketin (the Common Metadata Framework). Paketin ehkä mielenkiintoisinta antia on tilastotuotannon yleinen prosessimalli GSPBM (Generic Statistical Business Process Model), jonka avulla voidaan vertailla, tutkia ja kehittää sekä organisaation sisäisiä että organisaatioiden välisiä prosesseja. Kuten Valekin toi esille, GSPBM:llä on huomattavia yhtäläisyyksiä DDI 3:n pohjana olevan elämänkaarimallin kanssa.

Tilastotuotanto ei yleensä etene suoraviivaisesti suunnittelusta jakeluun, joten GSPBM ole lineaarinen malli, vaan prosessimatriisi. Sen avulla voi kuvata monimutkaisiakin tilastotuotantoprosesseja. Teoreettinen GSBPM-malli ei kuitenkaan riitä; lisäksi tarvitaan muun muassa työkaluja ja metadataformaatteja. Ongelmana on, että ei ole olemassa sellaista metadatastandardia, joka kattaisi GSBPM:n kaikki prosessit. Vale heittikin pohdittavaksi ajatuksen DDI:n ja tilastotiedon siirto- ja kuvailuformaatin SDMX:n toisiaan tukevasta käytöstä prosessin eri vaiheissa.

Useamman jo olemassa olevan ja toisiaan tukevan "täsmästandardin" käyttö kuulostaa kieltämättä järkevämmältä kuin yhden ison kaikenkattavan ja siten väistämättä hyvin monimutkaisen standardin rakentaminen.

Virallisen ohjelman jälkeen vapaamuotoinen keskustelu jatkui iltamyöhään. Tilaisuus oli käytettävä hyväksi, sillä näin suurta joukkoa tutkimusaineistojen metadatasta ja tiedonhallinnasta innostuneita eturivin asiantuntijoita tapaa vain harvoin! Seuraavassa EDDI-seminaarissa ensi syksynä Göteborgissa voimme toivottavasti esitellä tutkimusinfrastruktuuriimme kehittämiseen saamamme lisärahoituksen avulla toteutettavia parannuksia palveluihimme ja käytäntöihimme.

Mari Kleemola
Tietopalvelupäällikkö
DDI Alliance Expert Committee Vice Chair
etunimi.sukunimi [at] uta.fi