سازمان اسناد و کتابخانه ملی

جمهوری اسلامی ایران

مدیریت منابع اطلاعاتی وب

جلد اول

مبانی و تجربه های جهانی

به کوشش:

دکتر غلامعلی منتظر

و

فرزانه شادان پور

زمستان 1391

ص: 2

فهرست نویسی پیش از انتشار کتابخانه ملی جمهوری اسلامی ایران

سرشناسه: منتظر، غلامعلی 1348 - ، گردآورنده

عنوان و نام پدیدآور: مدیریت منابع اطلاعاتی وب / به کوشش غلامعلی منتظر و فرزانه شادان پور.

مشخصات نشر: تهران: سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران 1391

مشخصات ظاهری: 2 ج.

شابک: دوره: 0 - 344-446 - 964 - 978؛ ج. 1: 3 - 343-446-964-978؛

مندرجات: ج.1. مبانی و تجربه های جهانی - ج.2. دیدگاه های فناورانه، اخلاقی و مدیریتی

موضوع: وب--سایت ها -- مدیریت

موضوع: منابع اطلاعاتی-- مدیریت

موضوع: وب-- آرشیو سازی

موضوع: شادان پور، فرزانه، 1344- گردآورنده

شناسه افزوده: شادان ،پور فرزانه 1344 - ، گردآورنده

شناسه افزوده: سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران

رده بندی کنگره: 72/ 5 00

رده بندی دیویی: TK5105/88884 1391

شماره کتابشناسی ملی: 3077380

سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران

عنوان: مدیریت منابع اطلاعاتی وب، جلد اول: مبانی و تجربه های جهانی

به کوشش: دکتر غلامعلی منتظر (دانشیار دانشگاه تربیت مدرس) و فرزانه شادان پور(مربی، سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران)

ویراستار ادبی: آرزو تجلی (کارشناس ارشد جامعه شناسی، سازمان اسناد کتابخانه ملی جمهوری اسلامی ایران)

تنظیم و تصحیح: مهشید برجیان (کار شناس ارشد کتابداری و اطلاع رسانی، سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران)

ویراستار استنادی (مقالات تألیفی): فروزان رضایی نیا کارشناس کتابداری و اطلاع رسانی، سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران)

نمونه خوانی و اصلاحات: مهشید برجیان، فاطمه رمضانپور، آمنه هزارخانی، زهرا زاهدی، محمد رضا میقانی، ملیحه حاجی زاده مقدم

طراحی جلد و صفحه آرایی: شهره خوری

ناظر فنی چاپ: نصرت الله امیرآبادی

ناشر: سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران

شمارگان: 500 نسخه

بها: 15000 تومان

نشانی: تهران بزرگراه شهید حقانی (غرب به شرق)،

بعد از ایستگاه مترو بلوار کتابخانه ملی

تلفن فروشگاه 81623318- 81623315- 88941946 دورنگار: 88947496

وب سایت: www.nlai.ir

پست الکترونیک انتشارات: Publication @nlai.ir

ص: 3

سازمان استاد و کتابخانه ملی جمهوری اسلامی ایران

مدیریت منابع اطلاعاتی وب

جلد اول

مبانی و تجربه های جهانی

ص: 4

آسیب شناسی زبان و خط فارسی در بازیابی اطلاعات: نگاهی به موتورهای کاوش و پایگاه های برخط: نوشته شعله ،ارسطوپور فاطمه احمدی نسب ... 158

ارزیابی کاربردپذیری وبگاه نهاد کتابخانه های عمومی کشور نوشته صدیقه محمد اسماعیل، ماهرخ ناصحی اسکویی ... 176

امکان سنجی پردازش وبگاه ها در سازمان اسناد و کتابخانه ملی ایران: نوشته رضا خانی پور، محبوبه قربانی، سهیلا فعال ... 190

ایجاد آرشیو گزینشی منابع تحت وب، بررسی هزینه های مربوط به فراهم آوری منابع تحت وب در کتابخانه ملی استرالیا: نوشته مارگارت فیلیپس / ترجمه صدیقه محمد اسماعیل ... 204

بایگانی وب علمی در مقیاس کوچک DACHS نوشته هانو لشر / ترجمه حمزه علی نورمحمدی ... 218

بررسی و مقایسهٔ قابلیتهای یونی مارک و مارک 12 برای سازماندهی منابع اطلاعاتی وب نوشته رقیه حجازی مهرداد کوکبی ... 230

سنجش رابط کاربر پایگاه های اطلاعاتی پیوسته مجلات تمام متن فارسی نوشته صدیقه جعفرزاده، معصومه پیروزفر، عبدالحسین فرج پهلو ... 242

قانون و اسپاری وب فرانسه: راهبردهایی برای گردآوری دامنه ملی نوشته فرانس لاس ،فارگوس کلمنت کیوری برت وندلاند / ترجمه سودابه نوذری ... 254

معرفی آرشیوهای وب به عنوان یک خدمت جدید کتابخانه: تجربه کتابخانه ملی فرانسه نوشته سارا اوبری / ترجمه زهرا تهوری ... 286

یک سال آرشیو وب گزینشی با WCT در کتابخانه ملی زلاندنو نوشته گوردون پنیتر، سوزانا جو، وانیتا لا لا، گیلیان لی / ترجمه احترام السادات کیانمهر ... 304

ص: 6

گذشته این سازمان را یار و یاور باشند.

این اثر مجموعه ای است فراهم آمده از تلاش پژوهشگرانی که با وجود نو بودن مباحث مطرح شده در محورهای موضوعی کنفرانس، به ارائهٔ ثمرۀ پژوهش های خود همت نمودند؛ که با برگزیده ای از مقالات ترجمه ای در این عرصۀ پژوهشی ادغام و به طبع رسیده است رجاء واثق دارم که با الطاف الهی از این پس مدیریت منابع اطلاعاتی وب، و آرشیو وب به طور خاص، موضوع پژوهش و ابتکار عمل اهل دانش و فناوری در کشورمان قرار خواهد گرفت و در این عرصه نیز فرزندان این مرز و بوم تجسم گفتار نغز رسول اعظم صلی الله علیه و آله خواهند بود که «علم اگر تا ثریا ،برود مردانی از فارس بدان دست خواهند یافت».

اسحق صلاحی

رئیس کنفرانس و رئیس سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران

ص: 8

حضور خوانندگان ارجمند می شود. این مقالات در چهار موضوع اصلی به شرح زیر تقسیم شده اند:

• مبانی مدیریت و آرشیو وب

• تجارب جهانی و مسائل بومی در مدیریت و آرشیو وب

• مسائل فنّاورانه

• مسائل اخلاقی و مدیریتی

بی گمان این مجموعه می توانست به افزودنی های دیگر (هم از منابع خارجی و هم از دیدگاه سایر متخصصان ایرانی) به اثری پربارتر بدل گردد لیک نخستین گامی است که در این حوزه برداشته شده و مطمئناً در مراحل بعدی با همت سایر اندیشمندان، ویراست هایی غنی تر از آن حاصل خواهد آمد. نگارنده امیدوار است این مجموعه به مثابه بذری باشد که در کشتزار ذهن پژوهشگران کاشته شده و ان شاء الله در آینده ای نه چندان دور به نهالی پر طراوت در عرصۀ علم و عمل در جامعۀ اسلامی مان مبدل گردد.

در پیدایی این اثر کسان بسیاری همراهی و همکاری داشته اند که مقدم بر همه اندیشمندانی است که متن هر مقاله به خامهٔ دانش افزای آنان امکان وجود یافته است. از این رو نگارنده سپاس فروتنانۀ خود را نثار نگارندگان و مترجمان ارجمند این اثر می نماید. گردآوری، تنظیم و آماده سازی مطالب کتاب به همت خانم ها فرزانه شادان پور و مهشید برجیان بوده و ویراستاری آن را خانم آرزو تجلی بر عهده داشته اند. ویراستار استنادیِ مقالات تألیفی را سرکار خانم فروزان رضایی نیا به انجام رسانده اند و سرکار خانم دکتر میترا صمیعی زحمت چکیده نویسیِ شماری از مقالات را که فاقد چکیده بودند متقبل شدند. نمونه خوانی و اصلاحات اثر حاصل تلاش خانم ها مهشید برجیان فاطمه رمضانپور آهنگری، آمنه هزار خوانی، زهرا زاهدی، ملیحه حاجی زاده مقدم و آقای محمد رضا میقانی بوده است. ضمن اینکه زیبایی متن و صفحه آرایی آن مدیون حسن سلیقۀ سرکار خانم شهرۀ خوری است. زحمات لیتوگرافی، چاپ و صحافی کتاب نیز بر عهدۀ جناب آقای امیر آبادی بوده که برخود فرض می داند از همۀ این بزرگواران صمیمانه تشکر کند.

بی گمان پدیدآمدن این اثر به همت مسؤولان گرانمایه سازمان اسناد و کتابخانۀ ملّی جمهوری اسلامی بوده است و نگارنده امیدوار است خداوند آنان را در مسیر خدمت به فرهنگ و دانش ایران اسلامی مورد تأیید قرار دهاد.

اللّهم وفقنا لما تحّب و ترضى

غلامعلی منتظر

تهران- بهمن ماه یک هزار و سیصد و نود و یک خورشیدی

ص: 2

محصولات فرهنگی متمایز می کند، ارائه دهیم و دلالت های شان را برای محافظت ترسیم می نماییم.

این اساس وب را در بر می گیرد و آن را به عنوان نوعی سیستم نشر فعال و یک ابررسانه ویرایش اجتماعی و با یک محصول فرهنگی سراسری مورد بررسی قرار می گیرد. احتمالات و محدودیت های حفاظت هر یک از این جنبه های وب را مطرح می کنیم. سپس، رویکردهای روش های بررسی مهم را برای اکتساب سازماندهی و ذخیره سازی محتویات وب ارائه می کنیم.

فصل 2 و 4 و 5، جزئیات بیشتری دربارهٔ روش های بررسی و ابزارهایی برای اکتساب مضامین تهیه کند و فصل های 8-6 بر روی دسترسی استخراج اطلاعات و حفاظت از محتوای وب تمرکز کرده است. دو فصل آخر این کتاب بررسی هایی موردی را ارائه می کند. بایگانی اینترنتی که بزرگ ترین بایگانی وب در جهان است (فصل 9) و DACHS یک پژوهش که در جهت گزینش بایگانی وب (فصل 10) می باشد. این فصل مقدمه ای کلی برای این کتاب مورد بررسی قرار گیرد:

در نهایت، موارد اولیه را در این حوزه فراهم می کند و طبقه بندی بایگانی های وب را برای ترسیم وضعیت جاری حفاظت وب را پیشنهاد می نماید.

- میراث جامعه و وب

عظیم از زندگی روزمرۀ دنیوی تمرکز یافته است (فیدرستون 2000) (1) .

در حقیقت، امکاناتی که وب برای انتشار ایجاد می کند، منبعی منحصر به فرد از محتوا را ارائه می دهد که استدلال بایگانی تمایل به ستایش آن دارد. از این رو، می توانیم فرض کنیم که قانونی بودن بایگانی وب، معقولانه انجام و تصدیق شده است. با وجود این، محافظت از وب، مورد سؤال قرار گرفته و تاکنون مورد قبول همه واقع نشده است. استدلال ها در برابر بایگانی وب می تواند در سه مقوله دسته بندی شود. آن ها که مبتنی بر محتوای یافت شده در وب هستند، آن ها که تصور می کنند که وب خود - محافظ است، و آن ها که فرض می کنند بایگانی وب امکان پذیر نمی باشد.

فایت - شایب (2000) (1) برای موردی در فرانسه نشان داده است، رفتار توصیفی خاص که در سطح عنوان به آن نیاز داشت، توسط این جامعه مورد اغماض قرار گرفت و بخش کاملاً جدید مدیریت اطلاعات در کنار کتابخانه هارا، به همین دلیل، به وجود آورد (مستندسازی، نمایه سازی، نوشته های علمی). مباحث بر روی بایگانی وب، برخی شباهت هایی را بر حسب این رویدادهای فرعی، به اشتراک می گذارد که اگر در همان حالت باقی بماند، دیده خواهد شد.

فیلترسازی، اگر چه به مدت طولانی نیازی به تخصیص تولیدات فیزیکی منابع کار آمد حامل دانش را ندارد، به طور کامل از بین نرفته است. بلکه از نقشی مرکزی به یک نقشی پیرامونی تغییر می یابد و باز هم در برخی فضاها مورد نیاز است (برای مثال، اعتبار سنجی علمی) و به شکل های جدید تجربه می شود (مثل ویکی پدیا، اسلش دات، بوگس فر (2) )

چنان چه اکسل برونز (3) توضیح می دهد:

عكس العمل ناگهانی این فعل و انفعالات و وسایل ارتباط جمعی مشارکتی بسیار محسوس است. اگر کسی بتواند یا حداقل توانایی بالقوه آن را، [مثل یک ] یک ناشر دارد، چه اثراتی بر روی مؤسسه های انتشاراتی موجود خواهد داشت؟ اگر اطلاعات موجود در وب بتوانند با اطلاعات وسیع متنوع به آسانی ارتباط (4) داشته باشند، چه اثراتی بر روی چارچوب های (5) انتشاراتی سنتی می تواند داشته باشند؟ اگر توانایی بالقوه برای مخاطبان وب برای مشارکت در تولید و ارزیابی تعاملی محتوا وجود داشته باشد، برای ایجاد نقش های تولید کننده و مصرف کننده در وسایل ارتباط جمعی چه اتفاقی می افتد؟ (برانز ، 2005).

در زمینه حفاظت این مسئله به طور جدی مورد توجه قرار گرفته است. یک موضوع قطعی است و آن مدینه فاضله ای است که امیدوار باشیم که تعداد کمی از کتابداران فیلتر سازی ناشران را در مقیاس وب جهانی جایگزین نمایند حتی اگر آن ها سنت مدیدی در انتخاب محتوا داشته باشند، این کار را در محیطی ساختار یافته تر انجام می دهند که چندین مرتبه در ابعاد کوچک تر داشته باشد. اگر چه این کار هنوز احتمالی است و برای جامعه ای که خوب تعریف شده و اهداف کوچک مفید است (فصل دربارۀ انتخاب روش شناختی ها و فصل 10 را دربارۀ داچز (6) پژوهشی برگرفته درباره بایگانی وب، پژوهش انجام شده و هم چنین بروگر (7) 2005) را ببینید) به کارگیری این موارد به عنوان یک ساز و کار جهانی برای بایگانی ،وب واقع گرایانه نیست اما این حقیقت که گزینش دستی محتوا برای وسعت وب مقیاس گذاری نشده است دلیلی برای نپذیرفتن بایگانی وب نیست این فقط دلیل خوبی برای بررسی مجدد موضوع گزینش و کیفیت در این محیط است.

آیا می تواند بر اساس یک ارزیابی کیفی توزیعی در سطح بالا و جامع باشد؟ این ارزیابی، به طور

ص: 8

ضمنی در دو سطح ساخته می شود:

کاربران وب به وسیلۀ دسترسی بر محتوا، خالقان (محتوا) با پیوند دادن شکل محتوای صفحه های شان (ما در اینجا به قضاوتی که توسط خود خالقان قبل از اینکه محتوای شان را به صورت برخط در وب بگذارند در نظر نمی گیریم، که اگر به عنوان یک معیار انتخاب استفاده شود، به معنای بایگانی هر چیز است) همچنین، می تواند به طور ضمنی توسط افزایش انتخاب کنندگان فعال ایجاد گردد.

اجازه دهید ابتدا دسترسی کاربران را بررسی کنیم. گسترش جوّ انتشار پیوسته تحت چیزی که ظرفیت اقتصادی برای چاپ فیزیکی مجاز دانسته است، نتایج دیگری را در بر می گیرد: افت مکانیکی در میانگین تعداد خوانندگان هر واحد از محتوای منتشر شده برخی صفحه ها حتی نه تنها توسط هیچ انسانی خوانده نمی شوند بلکه توسط هیچ روباتی هم نمایه نمی شود. بوفخاد و وایونات (2003) (1)، استفاده از سیاهه های مربوط و پرونده های سرور یک وبگاه بزرگ دانشگاهی را نشان داده اند که 5 درصد صفحه ها فقط توسط روبات ها قابل دسترسی بودند و به 25 درصد آن ها هرگز دستیابی نداشتند، بدان معنا که توزیع دسترسی به محتوای پیوسته بسیار طولانی مدت ارائه خواهد شد.

اما این تکامل در نشر مدرن، کاملاً جدید نیست. رشد و درجه بالایی از تخصصی شدن انتشارات ادواری تقریباً الگوی مشابه دسترسی را نشان می دهد. آیا این استدلالی برای عدم حفظ ادواری هاست؟ در بیش تر کشور ها، نظام های سپرده قانونی، به طور مستقل، از انتشارات آن چه را که مورد استفاده قرار می گیرند، را نگهداری می کنند. این بی تکلیفی علائق خوانندگان آینده پیش بینی می کند.

مطمئناً برای حفاظت کنندگان در ارزیابی مفید بودن محتوای پیوسته برای نمایش و تلاش برای پیش بینی برای آینده، تا زمانی که برای جوامع کاربران از پیش تعریف شده باشد، امکان پذیر است.

الگوهای دسترسی همچنین می توانند برای اداره نظام های بایگانی جهانی استفاده شوند: در مورد بایگانی وب اصلی، تاکنون، مجموعه بایگانی اینترنت توسط الکسا (2) اهدا شده است که از الگوی دستیابی برای تعیین عمق خزش برای هر سایت استفاده کرده است (فصل 9 کیمپتون) (3) و دیگران (2006) را ببینید). همچنین، می تواند به وسیله پرس و جو های فرستاده شده برای موتور جست و جو اجرا گردد (پاندی و اولتسون ، 2005) (4) . اما سؤال کلیدی برای بایگانی های وب این است: چگونه به این اطلاعات دست یابیم و کدام مرز مورد استفاده قرار می گیرد؟

ترافیک اطلاعات، معمولاً وجود ندارد و موتورهای جست و جو از ابتکار الکسا پیروی می کنند و آن را از میلیون ها نوار ابزار نصب شده در مرورگرهایی که از اطلاعات شناوری (5) کاربران به آن ها می گذرند به دست می آورد.

مؤسسه های بایگانی از کجا می توانند به آن [اطلاعات] دسترسی پیدا کنند چنان چه آن ها خودشان جست و جوی ویژه ای را ارائه ندهند؟ مرزهای آن چه باید باشند؟ آیا باید در صفحه یا در سطح سایت

ص: 9

به کار برده شود؟ (الکسا در سطح سایت از آن استفاده می کند) آیا عمق خزش را فقط در سطح نخست هر سایت محدود می کند (که این بدان معناست که حداقل در سطح اول هر سایت در تمام موارد اشغال خواهد بود)؟

حتی اگر این معیار، مباحث اجرایی عملی زیادی را نمودار سازد، مزیت بردن به عنوان حمل کننده برای تمرکز بر بایگانی، ستانده های میلیون ها کاربر - نه اجتماعی کوچک - را دارد که به خوبی با مدل انتشار جامعه وب تطبیق یافته است.

معیار دیگر، سطح اهمیتی است که توسط درجه پیوند درونی یک صفحه (یا یک سایت) اندازه گیری می شود. این مسئله استدلال شده است (میسانز، 2002) (1) که این تعادل مناسب در محیطی فرامتن، با درجه ای از عمومیت است که ویژگی های انتشارات سنتی را مشخص می کند و عملاً مزیتش در قابلیت استفاده برای استخراج ماتریس های پیوندی وب است (پیج) (2) و همکاران،

1998؛ ابيتبول (3) و همکاران، 2003، 2002؛ پاستور - ساتوراس و وسپيگنانی (2004) (4). روش دیگری در انبوه کردن ارزیابی کیفی ایجاد شده است، البته نه توسط کاربران، بلکه به وسیله ایجاد کنندگان صفحه (و پیوندها) این مدلِ ارزیابیِ کیفی توزیع شده به خوبی با طبیعت انتشار بر روی اینترنت و به طور عملی با امکان اجرا مطابقت دارد.

سرانجام، ممکن است توسط مشارکت های بیشتر، وظیفه گزینش مطالب برای بایگانی کردن مقیاس را بالا برد. این کار می تواند با در بر گیری مؤسسه های بیشتری در انجام و تسهیل توسط ایجاد خدمات بایگانی انجام شود که با بخش فنی مسئله سروکار دارد. این کار به وسیله بایگانی خدمات در بایگانی اینترنتی پیشنهاد شده است که در سال 2006 شروع شده و عبارت است از توانمند سازی تنظیم و مدیریت آسان برای کتابخانه و آرشیو که نمی تواند در زیر ساختهای عملکردی مورد نیاز برای بایگانی وب سرمایه گذاری کند.

تحول ممکن دیگر با عمومیت بخشیدن به این توانایی برای هر کاربر وب در مشارکت فعال می باشد؛ البته چنان چه بخواهند در بایگانی وب شرکت کند. انگیزه اصلی کاربران در این مورد، سازماندهی حافظۀ وب شخصی برای امکان بازگشت به مرجع بعدی برای محتوای با ثبات و، کاوش و سازماندهی آن به عنوان راهی برای مبارزه با علائم «گم شدن در فضای مجازی» است چندین بررسی در مورد کاربران نشان داده است که حفظ نشانه های محتوای مشاهده شده برای بسیاری از کاربران ضروری است (تیوان 2004) (5) البته آن ها از روش های مناسبی نیز استفاده می کنند (6) (جونز 2003، 2001). در بایگانی وب شخصی، دنبال کردن پیشینه کاربر بر روی وب می تواند برای یک سازمان دهی شخصی و محوریت زمانی

ص: 10

در حافظه وب میسر شود (رکیموتو 1999) (1) دامیس و همکاران (2003) (2) ، رینگر و همکاران، (2003) (3).خدمات پیوسته متعددی (Furl, My Yahoo) قبلاً در بایگانی وب شخصی در سطح صفحه ارائه شده که با قابلیت علامت زدن ترکیب شده است. خدمات بایگانی های هانزو (4) ، حوزه گسترش یافته (مضمون، تمام سایت) و همچنین در هم و بر همی قابلیت های بایگانی، با ابزارها و خدمات دیگر (مثل بلاگ ها، مرورگرها، و مانند آن) از طریق باز کردن ای پی آی (5) را اجازه می دهد که آن با یک بایگانی سرویس گیرنده با قابلیت های P2P توسعه بیشتری خواهد یافت؛ و به طور چشمگیری امکانات برای کاربران در ثبت تجربیات شان از وب را به عنوان بخشی از زندگی رقومی توسعه خواهد داد (فریمن و گلنتر 1996) (6) ، گمل و همکاران،2002). در مورد استفاده بالقوه از مخازن کاربران در یک بایگانی وب نظیر به نظیر نیز می توانید مانتراتزیس آرگون (2004) (7) را ببینید.

دیده شده است اگر این گسترش و دموکراسی شدن نقش بایگانی بتواند مانند تفسیر و سازماندهی اطلاعات توسعه یابد موجب پیشرفت علامت گذاری (8) گولدر و هامبرمن 2005 (9) و نظام های بلاگ کردن می شود (هالاویس 2004) (10) ، ؛ برونز 2005 (11). که در این صورت کمک ارزشمندی خواهد بود و برای محافظت سازمان هایی که می توانند نظارت طولانی مدت بر این محتواها داشته باشند، درونداد [خوبی] خواهد بود.

همان طور که دیدیم استدلال ها در برابر بایگانی وب بر اساس کیفیتی است که درباره فرضیاتی بر پا شده است مانند (1) كيفيت محتوا تحت فضای سنتی محتوای ویرایش شده به طور مرسوم، کافی و مناسب نیست؛ و 2) فقط گزینش دستی و تک به تک که توسط حفاظت کنندگان ایجاد شده، می تواند جایگزین فقدان فیلترسازی ناشران شود (روشی که نمی تواند درست به اندازه مقیاس وب باشد، در حالی که همه با (فیلیپز 2005) (12) ، موافق اند. این دو استدلال، فقدان درک اساس توزیعی وب را نشان می دهند و اینکه چگونه می تواند وسیله نفوذ سازماندهی حافظه اش در مقیاس بزرگ باشد.

یافت شده است، این ها بیشترین طرفداران را در علوم کامپیوتر جهانی به دست آورده اند. اگر چه به شدت در روزهای اول پشتیبانی شده است، باید بگوییم که همانطور که زمان می گذرد و محتوا از وب محو می شود این مسئله کمتر مورد [ چالش] است. اسناد مطالعاتی زیادی بر طبیعت بی دوام منابع وب، این ادعا را که که وب رسانه ای خود بقاست دچار شکست می کند. برای مثال، برای مروری بر ادبیات موضوع (کهلر 2004) (1) و (اسپاینلیس 2003) (2) را ببینید. این مطالعات بر دسترس پذیری منابع با همان URL تأکید می کنند و نه تغییرات بالقوه ای که می تواند متحمل شود. مطالعات نشان می دهند که میانگین نیم عمر هر صفحه وب (مدت زمانی که نیمی از صفحه ها ناپدید خواهد شد)، فقط دو سال است. این بررسی ها بر روی دسترس پذیری منابع در URL مشابه متمرکز هستند و تغییرات بالقوه ای وجود ندارد که آن ها متحملش شوند. همچنین برخی، مضمون ها را مورد تحقیق و بررسی قرار داده و میزان تغییر را ارزیابی می کنند. چو و گارسیا - مولینا (2000) (3)، نیم عمره 5 روزه ای را برای میانگین صفحه های وب کشف کردند. فترلی و همکارانش (2003) (4) نشان دادند چگونه این میزان تغییر با اندازه و موقعیت محتوا مرتبط می باشد.

دلایل بسیار زیادی برای تمایل منابع به ناپدید شدن از وب وجود دارد. نخست، محدودیت زمانی مجاز شدن دامنه نام (معمولاً 1-3 سال) است که به وسیله طراحی هر فضای وب در یک انتقال و شرایط غیر ایمن واقع می شود.

دوم، توان الکتریکی پایدار، پهنای باند و سرورهایی که به پشتیبانی انتشارات نیاز دارند - همان طور که در مقابل ماهیت خارجی انتشار صورت می گیرد. اما حتی وقتی که نامیدن فضا و منابع نشر، مصون هستند، سازماندهی و طراحی اطلاعات می توانند نقش مهمی را در حالت ارتجاعی منابع روی سرورها ایفا کند (برنرز لی 1998) (5). همان طور که برنرز مخترع وب ادعا کرده است:

«اصلاً استدلالی در نظریه برای افراد وجود ندارد تا URL ها را تغییر دهند (یا اسناد نگهداری شده را متوقف کنند) اما میلیون ها استدلال در عمل وجود دارد (برنرز، 1998).

تغییر افراد، سازماندهی داخلی، طرح ها، فناوری های سرور وب، عملیات نام دادن، و مانند آن می تواند ناشی از بازسازی و گاهی فقدان اطلاعات باشد.

از این دیدگاه، سبک رشد نظام مدیریت محتوا (6) در انتشار، برداشت های گمراه کننده در برقراری نظم هنگام بحران - چنان چه نظام مدیریت محتوا آورد چون معمولاً یک سبک ساختاری از اطلاعات یکپارچه و اغلب قابلیت های بایگانی کردن را دارا می باشد. مسئله این است که آن ها به لایه های دیگر وابستگی به نرم افزار اضافه می شوند (نرم افزار نظام مدیریت محتوا) چون استاندارد سازی در این حوزه وجود ندارد. معماری های اطلاعات بر اساس نظام مدیریت محتوا ثابت شده است که خنک است تا زمانی که نظام

ص: 12

مدیریت محتوا تغییر نکند، یعنی که خیلی طولانی نباشد.

اما آیا طراحی اطلاعات دستی است یا توسط سیستم انجام می شود. وب رسانه ای خود بقا نیست و نخواهد شد. مهم ترین دلیل آن مغایرت فعالیت های انتشار و حفاظت می باشد. انتشار، به معنای ایجاد تازگی است حتی زمانی که در مطالب کهنه هزینه شده باشد و (برای مثال در یک فضای نام گذاری مشابه یا کتاب های جدید و قدیمی باید در مخزن ناشران مشابه، با هم قرار گیرند ).

تجربه ثابت می کند که انگیزه حفاظت، در میان تولید کنندگان محتوا کافی نیست و آن ها را برای حفاظت وابسته می سازد. در واقع، مرحله نخست حفاظت، اجبار در انجام آن توسط انواع مختلف سازماندهی، اجرای توسط اهداف متفاوت، انگیزه ها و حتی روش متفاوت است. وب، به عنوان زیر ساخت اطلاعاتی نمی تواند به طور اساسی مشکلات سازمانی را حل کند. از این رو، بایگانی کردن وب به عنوان فعالیتی مستقل از انتشار مورد نیاز است.

هزینه های انتشار وب را امروز در بر می گیرد. بر عکس، بایگانی اینترنتی فقط برای ذخیره سازی، با استفاده از فشرده سازی برای مثال خزش گر توسط الکسا اهدا شده است) و دسترسی ها هزینه را پرداخت می کند و مورد دوم پرداخت برای هر واحد محتواست، که بسیار کوچک تر از چیزی است که سرور اصلی می پردازد. این نتایج در میزبان کردن یک کپی برداری کاملاً گسترده از وب در مؤسسه ای واحد (کوچک) به طور محسوس ممکن است.

جنبۀ دوم، نگرانی های خصوصی سازی، مالکیت معنوی و موانع حق مؤلف است فقط توجه داشته باشید که وب یک برنامه کاربردی انتشار غیر تجاری در اینترنت نیست. ارتباطات پنهانی برای رخ دادن در وب تصور نشده اند، اما درباره برنامه های کاربردی ارتباطات (مانند ایمیل و انتقال پیام) زمانی که این کار انجام می شود (لیوگ و فیشر (1) ،2003) همیشه احتمالات برای حفاظت از آن ها (که به طور وسیع می شود) به وسیله ورود به سیستم و اسم رمز وجود دارد. از این رو، فضاهای حفاظت شده به عنوان بخشی از وب عمومی مورد بررسی قرار نگرفته اند و بنابراین نباید در بایگانی های عمومی حفاظت شوند. این طرح طبیعی از جوّ خصوصی / عمومی در اینترنت به وسیله روشی که خزش گرها اجرا می کنند، تقویت می شود (به وسیله دنبال کردن پیوندها) به این معناست که صفحه ها و سایت ها به داشتن درجه معینی از پیوند درونی برای کشف شدن و تصرف شدن نیاز دارند. بقیه، اجزای غیر متصل وب هستند (برادر و همکارانش (2) ، 2000) که به طور طبیعی از خزش گرها حذف می شوند. سایتی می تواند از این استفاده کرده و مرزهای بیشتری را برای شامل شدن در مجموعه (بیش از یک لینک درونی) برای محدود کردن تصرف بخش های مرئی تر تنظیم نماید.

در رابطه با وضعیت قانونی بایگانی وب، به وضوح، موقعیت های گوناگونی در هر کشور وجود دارد و این یک فضای در حال نمو می باشد. کشف این جنبه ها، فراتر از دامنه این کتاب است که در کتاب چارلزورث (2003) (3) به آن ها اشاره شده است. توجه داشته باشید که محتوای منتشر شده در وب غیرتجاری است چه توسط تبلیغات بر روی سایت ها یا بوسیله اشتراک پرداخت شود.

برای تمام موارد، بایگانی های وب، حتی با دسترسی پیوسته باید شرایط غیررقابتی را با وبگاه های اصلی پیدا کنند و این کار می تواند در خصوص محدودیت های دسترسی به محتوا انجام شود (برای مثال همان طور که توسط تولیدکننده در متن فایل روبات ها گفته شده است). داشتن یک دوره ممنوعیت، قابلیت های کمتری را نشان می دهد (جست و جوی سایت و تعاملات پیچیده) و همچنین عملکردهای سطح پایین (سرعت دسترسی به محتوا). بنابراین، استفاده از بایگانی وب برای دسترسی به محتوا، زمانی انجام می شود که دسترسی اصلی امکان پذیر نباشد و درآمد بازدهی داشته باشد. در این صورت، برای ناشر اصلی استفاده از بایگانی وب تهدیدی محسوب نمی شود (این موضوع را در لایمن 2002 (4) ببینید). در مقابل، بایگانی وب می تواند به طور قابل توجهی برای به وجود آورندگان سایت، حفظ بار محتوای منسوخ

ص: 14

(قدیمی) را کم کند امکان تمرکز بر روی محتوای فعلی را می دهد. حتی در این موقعیت، نویسندگان و ناشران ممکن است درخواست کنند که مطالب شان از بایگانی های قابل دسترس عموم برداشته شود. درخواست همچنین می تواند توسط شخص سوم به دلایل مختلف انجام شود. چگونه بایگانی های عمومی وب به این درخواست ها پاسخ خواهند داد؟

توصیه هایی در این زمینه در ایالات متحده پیشنهاد شده است. جدول 1-1 را ببینید، (آبویس 2002) (1).

عکس

جدول 1. 1

ص: 15

عکس

نیاز برای درک بهتر همزیستی بین به وجود آورندگان سایت و بایگانی های وب وجود دارد تا آن جا که بتوانند با عنایت به حقوق ایجاد کننده اطمینان پیدا کنند که از حافظه می تواند محافظت شود. اما این نیز بخشی از فرآیند تکامل رسانه وب است.

در مجموع، استدلال ها در برابر ضرورت و همچنین امکانات بایگانی وب است. جای تعجب نیست که از نظر ما، در مغایرت با نقش مرکزی وب در خلق فرهنگ و انتشار آن و همچنین بر اساس طبیعت مطلقش، ایجاد شده است. فصل 2 بینش بیشتری درباره چگونگی اهمیت بایگانی های وب برای پژوهش در بسیاری از حوزه ها را فراهم می کند.

در اینجا، سعی می کنیم نشان دهیم که در صورتی که چالش های جدی و مهمی را برای عملکردهای سنتی مطرح کردیم، بایگانی وب امکان پذیر می شود و یکی از موارد اصلی در برنامه حفاظت از میراث فرهنگی امروز است.

زوایای مختلف مورد بررسی قرار می دهیم. ابتدا، کاردینالیتی وب است یعنی اینکه چه تعداد نمونه از هر قسمت محتوا موجود است. و دوم اینکه وب به عنوان یک نظام انتشاراتی فعال و آخرین مورد وب به عنوان یک محصول فرهنگی جهانی، با طبیعت مافوق رسانه ای و طبیعت نشر آزاد بودن آن مورد بررسی قرار گرفته است.

نسخه اصلی را نگهداری می کردند (کن فورا، 1989).

ترجمه و جمع آوری، تفسیر و توضیحات و حاشیه نویسی، غالب اوقات بنیاد و پایۀ اصلی برای تولید مجدد متن به جای حفاظت قابل اعتماد بوده اند که برای زیان و ضررهای اجتناب ناپذیر اضافه شده بود که مستلزم کپی برداری دستی بودند. بیشتر کپی برداری های اصولی از متون، اغلب به دلایل خارجی ایجاد می شدند مانند وقتی متون یونانی، اساساً در موقعیت اختراع یک نوشته جدید، (حروف کوچک) در دوران امپراطوری رم در قرن نهم کپی برداری شده اند، تثبیت و انتقال آن ها به شکلی که ما امروزه می شناسیم خواهد بود.

کپی برداری آینده به طور قابل توجهی، شرایط را در این رابطه تغییر می داد که آن محتوا را به حالت تثبیت کرد زمانی که توزیع گسترده تر آن را مجاز کرد (آیزنشتاین 1979 (1) ؛ فبوره و مارتین (1976) (2). همچنین، با افزایش قابل توجهی از کاردینالیتی آثار، راندمان حفاظت را بدون سابقه کرد. در جایی بر آورد شده است که یکی از 40 اثر شناخته شده از دوران قدیم، حفظ شده است (و کمتر اگر آثار ناشناخته را در نظر نگیریم). راندمان حفاظت به بیشتر از یکی از دو تا در قرن هفدهم در فرانسه و نزدیک 80 درصد یک قرن بعد از آن (استیوالز 1965) (3) بالا رفته است و برای یک مؤسسه واحد، کتابخانه سلطنتی نیز بعد از تقویت سپرده گذاری قانونی توسط فرانشس لر (4) در سال 1537 (استیوالز، 1961؛ باليه، 1988) (5).

امروزه، حفاظت از کارهای چاپ شده، در بیشتر کشورها به کارآیی و رشد مؤثری دست یافته است؛ از نقطه نظر عملی و سازمانی که با ثبات مطالب چاپ شده و همچنین کار دینالیتی، مجاز شده اند.

هر آن چه که بود، کاردینالیتی در محصولات فرهنگی حداقل از ایجاد تا دسترسی یکپارچه می باشد. این تنها مورد در وب نیست. کاردینالیتی محتوایی وب ساده نیست، بلکه هر یک (چند جزئی) است. همان طور که منبع محتوا معمولاً یک سرور منحصر به فرد است شخص می تواند به طور محسوس نماید که کاردینالیتی اش مانند آثار هنری و نسخه های خطی، یکی می باشد. در واقع، همان آسیب پذیری را نشان می دهد، حتی توسط این حقیقت که محتوا به تولید کننده خود وابسته است، افزایش می یابد. از طرفی دیگر، دسترسی و همچنین کپی های محتوای وب می تواند از نظر مجازی، نامحدود باشد. این اختلاف میان دو کاردینالیتی های وب، ما را به سمت این مفهوم مهم از منبع وب هدایت می کند. هر منبع، یک منبع منحصر به فرد (سرور وب) و یک شناسۀ منحصر به فرد دارد، اما می تواند از نظر مجازی به طور نامحدود و با درجه های گوناگون برای برنامه ریزی های گوناگون تولید شود.

از دیدگاه حفاظتی، هر منبع دو خصوصیت مهم دارد:

نخست اینکه به طور دائمی به منشأ انحصاری اش برای موجودیت وابسته است. این کار یک تفاوت قابل توجهی با انتشار ایجاد می کند، جایی که مدیران انتشار، فقط یک بار به آن نیاز پیدا می کنند و بعد

ص: 18

از آن، کتاب ها به وجود می آیند. دوم اینکه سرورهای وب می توانند محتوا را برای هر نوع منبع، مناسب سازند و آن را در هر زمانی برای یو.آر.ال مشابه متفاوت می سازد. وب از این دیدگاه، یک ظرف محتوی فایل های ثابت نیست، اما یک جعبه سیاه با منابعی است که کاربران فقط نمونه هایی را به دست می آورند.

همان طور که کریشنامرتی (1) و رکسفورد (2) درباره پروتکل وب توضیح داده اند:

یک روش برای ادراک پروتکل، این تصور است که منبع سرور حاوی جعبه های سیاه با نمایش منابعی باشد که توسط یو.آر.ال.ها معنا شده اند. منبع سرور اصلی، شیوه درخواست برای منبع مشخص شده را به وسیله یو.آر.ال درخواست می کند. دریافت مشترک از خواندن یک منبع از یک فایل و نوشتن پاسخ برگشت به سرویس گیرنده، دور از دید جعبه سیاه، مجزا و مختصر شده است. این نگرش، مفهوم یک منبع را عمومیت می بخشد و آن را از پاسخ ارسال شده به سرویس گیرنده تفکیک می نماید. درخواست های مختلف برای یو.آر.ال.های مشابه، می تواند ناشی از پاسخ های متفاوت باشد و به عوامل مختلفی بستگی دارد. فیلدهای بالایی درخواست، زمان درخواست با تغییرات برای منابعی که ممکن است رخ دهند (کریشنامرتی و رکسفورد، 2001) حفاظت وب، منابع را طبق کاردینالیتی دوگانه (به ظاهر مهمل و در واقع درست) مورد بررسی قرار می دهد و این کار مستلزم چندین استنباط است. نخست اینکه چون از نظر مجازی تعداد نامحدود کپی برداری می تواند به آسانی ایجاد شود، شخص می تواند ادارک گمراه کننده ای داشته باشد که بایگانی فعال وب برای حفاظت مورد نیاز نیست. از این رو، تعدد نمونه ها، به طور گسترده مخفی اند و به یک منبع تکی بستگی دارند. هر زمانی که لازم باشد. (سرور) کد می تواند برچیده و روزآمد شود از این رو برای یک بایگانی فعال مورد نیاز می باشد.

استنباط دوم این است که بایگانی های وب می تواند فقط برخی موارد در منابع را به طور بالقوه درجات گوناگونی از میان آن ها را به تصرف در آورد (3) . این مورد زمانی رخ می دهد که محتوا برای یک مرور گر خاص یک زمان معین یا یک موقعیت جغرافیایی معین یازمانی که محتوا با هر کار بر وفق داده شده است، مناسب گردد. همچنین، در بخش بعد خواهیم دید که وب در حقیقت یک سیستم نشر فعال است و از این رو، تفاوت پاسخ ها در واقع جنبه ای مهم برای بررسی است، به خصوص وقتی که بایگانی انجام می شود.

استاندارد می باشد: 1) URL (لی -برنرز، 1994) که فضای نام گذاری شده را برای یک شیء تعریف می کند (1) ؛ 2) HTTP (فیلدینگ و همکارانش (2) ، 1994) پروتکل تعامل سرویس دهنده - سرویس گیرنده را با استفاده از فراپیوندها در هسته اش تعریف می کند؛ و 3) HTML (برنرز-لی و کونولی (3) ، 1995)، نوعی SGML DTD (4) (تعریف نوع داده) که ارائه صفحه آرایی در مرورگرها را معین می نماید. اجرای این سه استاندارد، هر کامپیوتر متصل به اینترنت را برای وارد شدن به سیستم نشر، قادر می سازد. شبکه سرویس دهندگان وب، نوعی سیستم اطلاعاتی منحصر به فرد را تشکیل می دهد که می تواند در هر حالتی برای تولید، روزآمد شدن، و نشر محتوا در حالتی که کامپیوترهای جدید اجازه می دهند، به کار رود.

در مقایسه با وسایل انتشاراتی دیگر، انقلاب در نشر، گسترش امکانات در تمام جهات ممکن برای تولید، سازماندهی، دستیابی، و ارائه محتوا را نشان می دهد. برای مثال، پیوندها را مورد بررسی قرار دهید:

شخص می تواند استدلال کند این فقط شکل جدیدی از یک ارجاع است که پیش از زمانی که برای نخستین بار نوشته شده به وجود آمده است (5) . اما حقیقت این است که روشی که به وسیله قطعه قطعه کردن محتوا به تکه های نشانی پذیر کوچک تر و توجه کلی به برنامه ریزی خاصیت انتقال از طریق شناوری دسترسی به محتوایی که تغییرات عمیقی را در نوشتن و همچنین در خواندن پیدا کرده است، به دلیل تغییرات وب در روش ارجاع قابل تعقیب قانونی است (آرسث (6) ، 1997؛ لندو (7) ، 1997؛ بولتر (8) ، 2001).

این حقیقت، که محتوا تنها بر روی سیستم و با دقت بیشتری بر روی سرورهای ناشران موجود است، به انتشار دائم ایجاد کننده بستگی دارد. یک کتاب می تواند بعد از ترک چاپخانه به طور مستقل از ناشر باقی بماند، اما محتوای وب هیچ موجودیتی فراتر از سرور اصلی اش نخواهد داشت (به استثنای ساز و کارهای حافظه با سرعت بالای ناپایدار (9) (هافمن و بیومونت، 2005). انتشار دائم، کنترل واضح را گسترش می دهد که ایجادکنندگان بر روی محتوا دارند. آن ها می توانند، با وب، در هر زمانی تغییر کنند، به روز شوند، و در زمان واقعی مواردی را از انتشار پاک کنند. علاوه بر این، تولیدکنندگان وب، از نظام اطلاع رسانی وب (10) استفاده می کنند که بتواند اطلاعات را از هر نوع نظام اطلاعاتی موجود (پایگاه داده ها، مخزن اسناد، برنامه های کاربردی، و مانند آن) ترکیب، مجتمع و سازماندهی مجدد کند. از این رو، وب یک فضای اطلاعاتی ثابت نیست، بلکه یک فضای نشر فعال است که ناشی از اثرات یک مجموعه آمیخته شده از نظام های اطلاعاتی فعال می باشد.

ص: 20

از این رو، بایگانی وب نخست به جدا کردن محتوا از نشر ثابت ایجادکنندگان اصلی اش نیاز دارد، و دوم اینکه باید مطمئن شود که محتوا می تواند از عدم پذیرش و تکامل جاری وب، عدول کند.

قبلاً به کپی برداری و بایگانی محتوا دریک زیر ساخت مجزا نیاز بود (مطالب زیر، (1) فصل 3 و روشه، 2006 را ببینید). مورد آخر مستلزم حفاظت فعال از محتوای وب (فصل 8، دی (2) 2006 را ببینید) برای رفع وابستگی از اجزای سیستم های گوناگون (پروتکل ها، به فرمت های دیجیتال، برنامه های کاربردی، و نظیر آن) و اجتناب از منسوخ بودن اصول فنی آن هاست. حفاظت از وب، این نیازها را در کل برای حفاظت از اصول فنی فعال با اشیای رقومی به اشتراک گذاشته است، اما جداسازی از ایجاد کننده نشر دائم، برای حفاظت از وب مشخص است.

اما رفع هر گونه وابستگی از سرور اصلی، مستلزم این است که از قابلیت های گوناگون و شیوۀ تعاملی وب، بایگانی وب بتواند فقط تعداد کمی را حفظ کند. هزینه هایی برای جداسازی از شبکه اصلی نظام های اطلاعاتی وب وجود دارد.

قابلیت هایی که بر بخش سرویس گیرنده ها اجرا می شوند، آن هایی هستند که شخص می تواند به طور معقولانه به حفظ آن امیدوار باشد. دامنه قابلیت هایی در کد صفحه و کد فایل مربوط جاسازی شده اند که به میل سرویس گیرنده اجرا می شوند و بیشتر اوقات بر روی نسخه های بایگانی قابل اجرا هستند؛ اما این قابلیت ها که توسط کد و یا با اطلاعات سرور تهیه شده اند جاسازی نمی شوند. جنبه های سندی مطالب اصلی هستند که گم شده اند (مانند انواع خاص تعاملات که شخص می تواند بر روی یک ویدئو ثبت نماید)، اما این کار فقط می تواند برای تعداد محدودی از صفحه ها و نقطه نظرات معین و شرایط خاص انجام شود (کریستنسن - دالسگاد (3) ، 2001 ؛ بروگر، 2005) (4) .

- از هر محلی که متصل به اینترنت است قابل انتشار و دسترسی (معمولاً مجانی) می باشد؛

- به عنوان یک فوق رسانه با استفاده از پیوندهای مستقیم و قابل تعقیب قانونی بین قطعات محتوا ساخت

یافته است (1) ؛

- نه تنها شامل متن است، بلکه شامل ترکیبی از تصاویر، صداها، و محتوای متنی نیز می باشد؛ و

- ناشی از یک تألیف و تصنیف باز و توزیعی می باشد (2) .

اگر چه وب، این کارها را به طور بسیار گسترده انجام می دهد، از اشکال قبلی انتشار هم می نماید (3) (کراستون و ویلیامز 1997) (4)؛ اریکسون و آیهلستروم، 2000؛ شفرد و پولانی، 2000). همچنین، مواردی جدید را ابداع می کند. برای مثال، بلاگ ها با تلفیق ساده گسترده ای منتشر می شوند (حتی مهارت های فنی که برای سایت های عادی لازم است و بیش از اینها مورد نیاز نیستند). و یک مدیریت مرجع قدرتمند (شامل مراجع معکوس یا آگاه سازی از استنادها با استفاده از برگشت پینگ) و سهولت در به روزرسانی، افزودن توضیحات و حذف محتوا، همه اینها ناشی از یک نشر آزاد و توضیحات شخصی به وسیله ده ها میلیون نفر بوده است (5) .

این خصوصیات وب، به عنوان یک فوق رسانه توزیعی، به طور آشکار و ثابت در یک مقیاس سراسری، تألیف و فراهم شده است که بایگانی وب بتواند فقط، به حفاظت از جنبه های محدود شده محصولات فرهنگی موجود و بزرگ تر دست یابد.

اتصالات درونی محتوا، یک کیفیت مهم در وب است که زمانی که بایگانی می گردد، مباحثی از آن ها ایجاد می شود، اما به عنوان یک نتیجه عمومی، نشان داده است که بایگانی همیشه، بهترین نوع گزینش (به گزینی) را در برنمی گیرد، حتی اگر در موارد انتخاب دستی و سایت به سایت باشد. از این مباحث برای بایگانی های بزرگ و وسیع اجتناب می شود، تا جایی که ممکن است، قطع تداوم اطلاعاتی که وب ارائه می دهد (لایمن و دیگران 1998). یا برای تعریف یک هدف تحلیلی خاص برای زمینه یابی تصمیم های گزینش انجام می شود (بروگر، 2005).

اما در عمل، اجرای خزش، در ارتباط با موارد اولویت دار و سیاست گزینش دستی، اجزای بایگانی وب را در بر می گیرد که همیشه فقط یک برش در فضا و زمان وب اصلی خواهند بود.

چگونه این نمونه های معنی دار و جایگزین را در وب بزرگ تر ایجاد می کنید؟ چه استنباطی هایی

ص: 22

در درک از آینده کاری که وب انجام خواهد داد دارید؟ تمام این سؤال ها باید زمانی که بایگانی و را به کار گرفته اید مورد بررسی قرار بگیرند. حتی تعریف کاری که «وب اصلی» انجام می دهد مجموعه تجربیات استفاده کنندگان از وب یا مجموع برنامه ریزی های محتواست که باید از قبل در نظر بگیریم که بر مجموعه ای از محتواهای ثابت بیشتر در نظر گرفته می شوند.

خصوصیات دیگری که برای اندیشه و سازماندهی مجدد عملکردهای حفاظت سنتی باید انجام طبیعت نویسندگی باز وب است. در حقیقت، این موضوع فیلتر کردن و حفاظت ساختار را بسیار مشکل می سازد که بر اساس ناشران و نویسندگان است. آن ها به اندازه بسیار قابل توجهی بر روی وب می باشند و برای شناسایی و ثبت مشکل اند. گاهی اوقات، اطلاعات تألیف و تصنیف، بر روی سایت موجود است، گاهی اوقات هم نیست، و گاهی اوقات در روش قابل اعتمادی نیز قابل دسترسی نیست. تنها اطلاعات ثبت شده (در یک روش کاملاً کنترل نشده و آزاد)، اطلاعات درباره کسانی که نام دامنه را برای مدیرتی DNS مجاز می کنند. اگر چه این اطلاعات مقادیر بزرگی برای کامل کردن مطالب بایگانی شده در وب هستند، و به طور قطع، برای تفسیر و استفاده مستقیم آسان نیست.

به عنوان یک محصول فرهنگی، وب، سبک متفاوتی از سازماندهی اطلاعات و الگوهای ساختاری متفاوت را برای استفاده در حفاظت ارائه می دهد. نشانه های پیوند محتواها و شناوری کاربران از ساختارهای طبیعی که بایگانی ها باید بیشتر وقت ها برای سازماندهی موارد نمونه های جمع آوری شده استفاده کند. از این رو، خصوصیات وب به تغییر شکل و روش های حفاظتی عمیق نیاز دارد. رویکرد کل نگری برای بایگانی وب، آمادگی بیشتر برای انطباق با خصوصیات وب است، اما هر نوع بایگانی وب باید آن ها را در هسته روش هایش مشارکت دهد.

تعقیب قانونی و ساختارهای اطلاعاتی غنی ایجاد شده که توسط میلیون ها نفر در سراسر جهان ویرایش می شود وقتی بایگانی های سنتی و کتابخانه ها نگرش سازمانی ،شخصی و ابزارها را در این محتوا ایجاد می کنند (مدخل های شخصی و وب سازان و مانند آن)، فقط در این ویرایش جهانی وب شرکت می کنند. این کیفیت را به عنوان متخصصان حوزه تقلیل نخواهد داد اما آن ها را در یک تلاش سازمانی بزرگ تر قرار خواهد داد.

به عنوان بایگانی ،وب آن ها مسئولیت های بیشتری دارند چون محتوا و مفهوم را تصرف کرده و تحت سیطره خواهند داشت و می توانند آزمایش هایی را در بهبود نقش منحصر به فرد قدیمی خود در سازمان دهندگان اطلاعات داشته باشند همچنین می توانند فقط برای تثبیت و محافظت از نمونه های شخصی از یک محصول فرهنگی جاودانی بزرگ تر به دست آیند.

این کار می تواند قانونی باشد زمانی که طبق خط مشی گزینش مناسب با نیاز جامعه کاربران برپا یا توسط اهداف پژوهشی معین شده اداره شود لچر (1) ، 2006؛ میزانس، 2006 ب). اما هزینه ها و محدودیت ها و همچنین امکانات فنی برای بایگانی هر دو در یک مقیاس بزرگ تر و در یک مسیر بی طرف نیز نیازمند بررسی روش های جایگزین در بایگانی وب می باشند این جایگزین در نقش خود معتدل تر ولی در دامنه جاه طلب تر است. نقش سازمان دهندگان اطلاعات برای به تصرف در آوردن محدود است و برای ساختار اصلی ایجاد شده توسط ویرایش میلیون ها نفر در سراسر جهان درست است.

در مشکل رسیدن به جامعیت، همچنین در بخش قبلی دیدیم که شخص می تواند حداقل تلاش در بی طرفی را برای تصرف محتوا با پیروی از ماهیت جمع آوری و توزیعی وب برای راهنمایی در تصرف و گسترش آن، تا جایی که ممکن است داشته باشد از این رو تلاش بر روی کمیت و موضوع مقیاس گذاری بر روی منابع فنی می باشد. این رویکرد، چندین کتابخانه ملی برای حوزه ملی و بایگانی اینترنتی در یک مقیاس جهانی داشته است.

هیچ یک از این ابتکارهای عملیاتی نمی توانند از نظر عمق و کیفیت محتوای بایگانی شده به تنهایی توسعه یابد. تلاش های گوناگونی به عنوان بخشی از یک بایگانی جهانی مورد بررسی قرار خواهد گرفت البته وقتی که اتصالات درونی میان بایگانی وب به عنوان اتصالات درونی بین سرورهای نشر از طریق وب سازماندهی شوند.

تنها با این کار ،کاربران قادر به نفوذ به تمام این تلاش ها خواهند بود و به بهترین حافظه ممکن وب منتج خواهد شد. در این جهت، هر چه شراکت بیشتر مؤسسه ها و افراد مختلف وجود داشته باشد، بهتر می توانند مکمل یکدیگر باشند و زوایا ،عمق و کیفیت های مختلف بایگانی های متفاوتی را ارائه دهند. اما این کار نیازمند این است که آن ها در برخی نقاط از یک شبکه بایگانی وب بزرگ تر، همکاری کنند. چنین شبکه ای باید بایگانی وب را پیوند دهد، به طوری که با یکدیگر نوعی فضای شناوری جهانی مانند خود وب را شکل دهند این امر فقط در صورتی ممکن است که آن ها در یک مسیر نزدیک به وب اصلی ساخته

ص: 25

شوند و آزادانه قابل دسترسی باشند کنسرسیوم (شرکت) حفاظت از اینترنت بین المللی (1) بر روی ایجاد و تنظیم زمینه هایی برای ایجاد کننده به وسیله توسعه استانداردها و ابزارهایی که ساخت این نوع بایگانی را تسهیل می کند عملکردهایی داشته است (برخی از آن ها در پایان این بخش توصیف خواهند شد).

دسترسی باز در خصوص مقررات و خط مشی است و در این برهه از زمان به عنوان یک بحث آزاد باقی می ماند.

بایگانی وب، به طور اختصاصی یا به عنوان کل می تواند در ایجاد زیر ساخت های اینترنتی مناسب باشد. آن ها از پروتکل ها و استانداردهای مشابه برای سازماندهی اطلاعات و ایجاد دسترسی به آن استفاده کنند. وب می تواند به طور طبیعی آن ها را در برگیرد چون آن ها کاملاً با آن سازگار هستند (2) . از نقطه نظر زیربنایی بایگانی وب می تواند به آسانی موقعیتی را به عنوان مکمل ایجاد زیر ساخت های اینترنتی پیدا نماید. آن ها در حال فراهم کردن حافظه وب هستند که خود بخشی از وب است واثر شدید منفی ماهیت ضروری ناپایدار انتشار وب را محدود می نماید.

شخص می تواند با چشم پوشی از این نقش ناراضی باشد شرایط این کار در نظر نگرفتن ارزش طبیعت توزیع گراو جامع بودن این رسانه است که آن را توجیه می کند.

کپی کننده وبگاه انجام می شود، مشتق شده و در فناوری موتور جست و جوی سازگار و استنتاج می شود یک ابزار قدرتمند برای تصرف موقعیت سرویس گیرنده را فراهم می کند. روشه (2006 )، توصیفی با جزئیات این ابزارها و کاربردشان برای بایگانی وب ارائه می دهد. در این مقاله فقط یک بررسی عمومی از این فناوری را ارائه خواهیم داد که برای ارزیابی در هر یک از موارد می تواند به کار برده شود. چون خزش گر، برای سرور وب یک سرویس گیرنده مانند دیگران است از اصطلاح «بایگانی جانبی سرویس گیرنده» برای این روش فراهم آوری استفاده می کنیم. بسته به ساختار پسین وب و سطح تعامل با سرویس گیرنده خزش گر ها می توانند یا یک وبگاه کامل و یا بخشی از اجزای آن را به تنهایی تصرف کنند. جزء باقی مانده برای خزش گرها غیر قابل دسترسی است در اصطلاح شناسی موتور جست و جو «وب عمیق» یا وب پنهان نامیده شده است.

این اصطلاح شناسی را تصدیق خواهیم کرد تا زمانی که مشخص شود که تعیین حدود وب مخفی، به طور محض فنی بوده و به طور دائم به عنوان خزنده ها توانایی شان را در یافتن راهی برای اسناد، بهبود بخشد. دو روش متناوب برای گردآوری محتوا باقی می ماند، حتی اگر بسیار کم به کار برده شوند و حتی هم چنان تحت تحقیق و بررسی مانده باشند هر دو نیاز به فعالیت از جانب سرور دارند که نه تنها به یک مجوز نیاز دارد بلکه همچنین به یک مشارکت فعال انتشار دهنده سایت برای استفاده شدن نیز نیاز دارد. اولی، بر اساس کاربران سایت است که مسیر هدایت را توسعه می دهد و شناسایی محتوای سایت را برای بایگانی آن انجام می دهد و چون بر اساس ثبت تراکنش های ایجاد شده بین کاربران سایت و سرور می باشد آن را بایگانی تراکنشی می نمامیم.

دومی، شامل بایگانی به طور مستقیم از ناشر اجزای گوناگون سیستم اطلاعات وب و انتقال آن ها به یک شکل بایگانی شده می باشد بنابراین بایگانی جانبی سرور نامیده می شود. این روش های متناوب، سخت تر از بایگانی جانبی سرویس گیرنده می باشند چون همانطور که در بالا ذکر شد، نه تنها به یک مشارکت فعال از جانب سازندگان نیاز دارند بلکه باید بر مبنای مورد به مورد اجرا گردند اما حتی اگر افزایش مقیاس نداشته باشند می توانند در مواردی به کار برده شوند؛ برای مثال در جایی که خزنده برای تصرف دقیق موفق نمی شود و زمانی که محتوا در آن کمتر به کار رفته باشند.

عکس

تصویر 1- آرشیوسمت کاربر (client-side): آرشیو وب در تقابل با آرشیو کاربر است تا محتوا را از سرور وب جمع آوری کند. سرور وب می تواند محتوا را از سرورهای متعدد و متنوعی فراهم کند (درخواست ها، پایگاه داده ها، فایل های سرور).

این روش، نه تنها موقعیت مشابهی را که کاربران عادی وب نیاز دارند، اتخاذ می کند؛ بلکه شکل تعامل هایش با سرورها را تقلید می کند. خزش گرها از صفحه ها هسته شروع می شوند، آن ها را تجزیه می کنند، پیوندها را برداشت می کنند، و سند پیوندی را واکشی می کنند؛ سپس آن ها این پردازه با سند واکشی شده را تکرار می نمایند و تا زمانی که پیوندهایی را کشف کنند (1) و سند را درون حوزه تعین شده پیدا کنند این پردازه مورد نیاز است چون HTTP فرمانی را که باید فهرست کامل سند قابل دسترس بر روی سرور را باید بازگرداند که برای مثال بر خلاف FTP است. از این رو هر صفحه بایدبه وسیله پیوندی از صفحه ها دیگر «کشف» شود.

فناوری خزش، برای اهداف نمایه سازی توسعه یافته است (2) . به کار بردن آن برای بایگانی وب، بر خلاف اینکه جنبه های بیشتری از این فناوری را دوباره استفاده می کند تغییراتی را برای آن ایجاد می کند.

نخست این که خزش گرهای بایگانی باید برای واکشی تمام فایل ها تلاش کنند هر چه فرمت شان برای بایگانی یک مدل کامل از سایت ها باشد بر خلاف خزش گر های موتور کاوش که معمولاً فقط فایل هایی را واکشی می کند که آن ها بتوانند فهرست نمایند. خزش گر های موتور کاوش برای مثال اغلب از انتقال از

ص: 28

فایل های کاربردی و ویدئویی بزرگ چشم پوشی می کند. بارگذاری این نوع فایل ها می تواند تفاوت قابل توجهی را در رابطه با زمان و پهنای باند مورد نیاز برای خزش در کل سایت ایجاد نماید.

تفاوت دوم، با مدیریت موقتی خزش ها مرتبط می باشد. برای اجتناب از اضافه بار سرورهای وب، خزش گر ها از قوانین مطلوب و معتبری استفاده می کنند (روشه، 2006) . این مستلزم این است که تصرف یک وب می تواند در طی چندین دقیقه منتهای مراتب چندین ساعت و گاهی اوقات چندین روز طول بکشد. یک محاسبه ساده نشان می دهد زمانی را که در خصوص یک تأخیر 3 ثانیه ای بین دو درخواست، بیشتر از 3 روز برای بایگانی یک سایت با 100/000 صفحه طول خواهد کشید. این تأخیر، مبحث ثبات موقت تصرف را که دستخوش تغییراتی در طول زمان می شود، افزایش می دهد. اگر صفحه نمایه برای مثال در طی تصرف تغییر یابد روش بایگانیاش با آخرین بایگانی که با صفحه ها بایگانی پیوند داده شده است سازگار نمی باشد.

این یک مورد برای خزش گر های بایگانی است چون خزشگر برای تهیه محتوا فرض شده است البته نه فقط در جهت هدایت محتواها خزش گر های موتور کاوش عادت دارند که به صفحه ها زنده اشاره کنند. به این معنی که مضمون ابرمتن برای آن ها، یکی است که توسط سرور اصلی تهیه شده است (که البته در سراسر صفحه ها دارای ثبات است و به هنگام سازی شده است). بر عکس، خزش گر های بایگانی باید محتوا را به طور کلی تصرف کنند که انجام خواهند داد با وابستگی یا بدون وابستگی داخلی، به عنوان فقط مضمون هایی برای شناوری و تفسیر.

این امر به مراتب نتایج قابل دسترسی نسبت به خط مشی خزش گرها دارد. چون مطلوبیت برای سرورها حکم می کند که همیشه عملیات خیلی محدودی برای خزش داشته است، خزش گر های موتور های کاوش از اولویت خزش در سطح پهنای نخست استفاده کرده اند با برخی تغییرات اساسی که با خزش در بهترین صفحه های اول، هدفمند شده است (چو و همکاران، 1998؛ ناجون و هیدان 2001) (1) ؛ ناجورک و واینر 2001 (2)؛ کاستیلو و همکاران، 2004 ؛ باازا - يتس و كاستيلو (2005) (3) .

اتخاذ این خط مشی، همچنین، روش برای به حداقل رسانیدن اثرات شدید تله های روباتیک (4) بر روی کل خزش با قرار گیری بیرون از خزش بر روی تعداد زیادی از سایت های مختلف می باشد.

اما این راهبرد زمان بندی خزش، دردسر افزایش تفاوت موقتی خزش ها در سطح سایت را دارد. ،بنابراین برای اتخاذ خزش های بایگانی در اولویت نخست یک سایت پیشنهاد شده است. (5) اما برای خزش های مقیاس بزرگ، هنوز برای بهینه سازی بازده خزنده با اطمینان از منابعی که در حداکثر ظرفیت خود استفاده شده اند، ضروری است تأخیر آشکار بین درخواست ها و منابع قابل دسترس خزش

ص: 29

موجود است، شخص باید تعداد مطلوبی از سایت ها را برای شروع در زمان مشابه با ایجاد فرکانس های درخواست های مطمئن جست و جو کند که به وسیله قوانین مطلوب بدون هیچ تأخیر غیر ضروری بین درخواست ها واقع شده اند. شکل 2-1 خط مقدم یک خزش گر را نشان می دهد که اندازه ای مناسب با

تخصیص بهینه منابع خزش دارد.

عکس

تصویر 1-2 Frontline شامل سایت هایی است که باید با یک خزشگر یکسان و به طور همزمان خزش شوند. اندازه آن (n) در حد اپتیمم است و اگر بین درخواست ها تأخیری رخ دهد فقط به وسیله قوانین ساده ای محدود می شود و منابع خزش همچنان در گیر و مشغول خواهند بود. اگر n+1 سایت خزش شوند، محدودیت منابع خزش نوع تأخير اضافی و عدم ربط موقت را به کار خواهند گرفت. اگر n-1 سایت خزش شوند، منابع بدون استفاده خواهند ماند.

محدودیت هایی برای هر آن چه که بتوان با استفاده از این روش بایگانی کرد وجود دارد. بیش از همه طی برداشت پیوند و برخی در طی بازیابی از طریق واسط HTTP رخ می دهد. دلیل مورد قبلی این حقیقت است که URL استخراج شده به طور نامساعد شکل گرفته است یا از پارامترهای پیچیده استفاده کرده اند یا به سختی برای تجزیه کردن URL از فایل آغازگر یا فایل اجرا یا حتی کد HTLM استفاده کرده است. دومی می تواند به علت تجدید مسیرها، مذاکره محتوا، اجازه، پاسخ های تدریجی (کند)، اندازه نهایی، اتصالات TCP استثناهایی، پاسخ های سرور نامعتبر، و مانند آن باشد.

با استفاده از این نوع ابزارها، فراهمآوری مقیاس بزرگی از متوا در یک مسیر کل نگ، که البته این طور نیست. مجاز می شود.

ص: 30

محتوایی که هرگز دیده نشده، بایگانی نخواهد شد (همان طور که ذکر شد، بوفخواد و وینناد (2003) (1) ، برآورد کردند که 25درصد صفحه ها از یک وبگاه بزرگ علمی، هرگز قابل دستیابی نیستند). اما محتوای وب پنهان تا زمانی که به دستیابی برسد ثبت خواهد شد و این یک مزیت مهم است.

محدودیت مهم این روش این است که باید با موافقت و همکاری مالک ،سرور، اجرا شود. از این رو، برای بایگانی داخلی وب نشان داده شده است. و این مسئله مزیت توانا بودن ثبت دقیق از چیزی را که و زمانی را که دیده است دارا می باشد. برای بایگانی شرکت یا سازمانی، اغلب به وسیله جواب گویی قانونی، برانگیخته می شود. این کار، می تواند یک مزیت باشد. حتی برای ترکیب با اطلاعات از سرور ثبت وقایع درباره کسی که محتوا را دیده است، امکان پذیر باشد. به طور واضح، هر چه را که می تواند به عنوان یک مزیت برای بایگانی وب داخلی دیده شود ممکن است برای یک بایگانی عمومی مشکل باشد، چون می تواند تأکید بر محرمانگی جدی را بالا ببرد. اما به هر حال محتواقابل استفاده نمی باشد.

4-2-3-بایگانی سرور- جانبی

نوع آخر از روش فراهم آوری بایگانی وب، کپی مستقیم فایل ها از سرور، بدون استفاده از واسطه های HTTP است. این روش مانند روشی قبلی می تواند فقط با همکاری مالکان سایت استفاده گردد (شکل 4-1).

عکس

ص: 32

اگر چه بسیار ساده به نظر می رسد، در واقع مشکل زیادی را برای ایجاد محتوای کپی شده قابل استفاده افزایش می دهد و حتی در مورد فایل های ایستای HTML، شخص می تواند به زحمت در محتوا از طریق پیوندهای مطلق به عنوان نام دامنه هدایت شود که در بایگانی متفاوت خواهند بود. اما بیشترین مشکل ناشی از محتوای توسعه یافته پویاست که تکه های به هم پیوسته محتوا از منابع گوناگون (قالب ها (1) و پایگاه های داده) است که توسط درخواست های کاربرد در حالت پرواز در ارتفاع کم توسعه یافته است. کپی برداری فایل های پایگاه داه ها، قالب ها، و فایل های آغاز گر به این معنی نیست که آن برای تولید مجدد محتوا از بایگانی آسان خواهد بود. بر عکس یک وظیفه چالش برانگیز خواهد بود چون نیازمند توانا شدن برای اجرای در محیط مشابه، با پارامترهای مشابه در بایگانی است. در واقع، وقتی امکان پذیر شد، محتوای توسعه یافته پویا در شکل نهایی اش بهتر حفظ می شود، معمولاً در فایل های HTML مسطح بهتر حفظ می شود (برای مثال این موردی برای بیشتر CMSها، بلاگ ها و ویکی ها (2) صورت می گیرد).

اما گاهی اوقات این کار مشکل است، حتی برای خزش گرها یافتن مسیر برای برخی اسناد یک وبگاه و فایل هایی که می تواند از طریق یک تعامل پیچیده به دستیابی برسند، غیر ممکن است (مانند ارسال یک پرس وجو و یک فرم یا پنجره) که به سختی توسط خزش گرها تصرف خواهد شد این بخش وب، وب پنهان یا عمیق نامیده شده است (برگمان، 2001؛ چانگ و همکاران 2004) که بزرگ تر از وب سطحی است و (همچنین به طور عمومی وب قابل نامیده شده است). (3)

در این مورد، بایگانی جانبی سرور می تواند یک راه حل باشد، همان طور که در بالا ذکر شد، به مشارکت فعال مجری سایت نیاز دارد. بیشتر از یک پشیتبانی ساده است که دسترسی به محتوا را در نمونه های اصلی اش تضمین نمی کند، آن بر توانا بودن برای «نمایش» مجدد سایت در محیط بایگانی را دلالت می کند. این کاهش وابستگی به پایگاه داده ها و اجرای فایل های آغاز گر جانبی سرور به قدری که امکان پذیر است را نشان می دهد. این کار می تواند به وسیله استخراج اطلاعات ساخت یافته محتوی در پایگاه داده ها و انتقال آن درون XML انجام شود. نوعی معماری اطلاعات دروازه اسناد نامیده شده است که شامل اسناد غیر وب با آن هایی که به وسیله کاتالوگی می تواند مانند اینها بایگانی شود، قابل دستیابی می باشد. این کار، برای چندین سایت انجام شده است که به مقوله سایت های پنهان به وسیله کتابشناسی ملی فرانسه (4) وابسته می باشد (فصل 5 را ببینید).

این کار فقط در چارچوب واسپاری قانونی امکان پذیر می باشد که در فرانسه مانند بسیاری از کشورهای دیگر به کار گرفته می شود. حقیقت این است که وب پنهان همچنین غالب اوقات دارای محتوای بسیار غنی با این نوع معماری اطلاعات است که انبوه زیادی از محتوای از قبل موجود بر روی وب منتشر کرده است. عمومیت این نوع معماری اطلاعات، بایگانی سایت سرور را می سازد ،روشی که به جایی که می تواند به کار رود توجه دارد.

ص: 33

همچنین به استفاده از شکل جزئی (وابسته) از URL که نه تنها از پیشوند دوری می کند بلکه همچنین از نام سرور و مسیر هدف نیز اجتناب می کند.

مرورگرهای استاندارد می توانند به طور مستقیم باز شوند (به طور مثال بدون سرور وب) و چنین فایل های ذخیره شده را محلی نمایند و تا زمانی که پیوندها اسناد وابسته هستند، شناوری در بایگانی مشابه مانند همانی است که در سایت اصلی خواهد بود، به جز فقط در قسمت آدرس دهی (1) مرورگر وقتی در جست و جوی پیشوند URL هستند. (در اینجا «فایل» به جای HTTP می باشد).

باید دائمی باشند و زمان گروه بندی نیز باید برای ضبط فرکانس ها، تطبیق یافته باشد. در مسیر تمام این مباحث، تصمیم گیری کامل باید پیشاپیش انجام شده باشد. آن ها بر روی چگونگی انتخاب ساختار که در برابر توسعه مجموعه مقاومت می کنند، تحت فشار قرار می گیرند. سازماندهی زمان در اجرای هر جمله از یک برنامه برای اهداف اشکال زدایی (از یک مدل به مدل دیگر) سایت نیز یک مبحث مهم برای هر یک از لایه های نرم افزار است که باید به سیستم فایل با استاندارد بالا افزوده شود. این لایه باید قادر باشد حداقل مدل های متفاوت سایت ها را که به تاریخ شان بستگی دارد با یکدیگر متصل نماید (نسخه پردازی) و این کار را با یک واسط کاربر مناسب برای شناوری از طریق زمان به سادگی ارائه می دهد. این کار اغلب با استفاده از مدیریت خارجی یک پایگاه داده در سایت ها و ضبط اطلاعات و ابزارهایی برای ایجاد صفحه های نمایش میانجی با فهرستی از تاریخ اجرا می شود که در آن سند بایگانی شده است.

محدودیت دیگر این رویکرد، ناشی تعداد عظیم فایل های بایگانی وب است که باید جا به جا شوند. این مسئله عادی است که بایگانی هایی با بیلیون ها صفحه را ببینیم. این شکل به محدودیت های ظرفیت نظام های فایل جاری می رسد و دسترسی می یابد حتی وقتی یک نظام فایل بتواند این مقدار فایل را جابه جا کند، عملکرد می تواند تحت تأثیر قرار گیرد. برای کم کردن باری که بر روی نظام فایل قرار گرفته، بایگانی با مقیاس بزرگ برای فایل های مخزن استفاده شده است. البته این کار، ارتباط مستقیم در نام گذاری و پیوند دادن را که رویکرد بایگانی نظام فایل محلی برای اتخاذ رویکرد دوم ارائه می دهد را می شکند و بایگانی مبتنی بر سرور به کار رفته در وب برای تحویل محتوا از این فایل مخزن است.

شکل 1-5. بایگانی سیستم فایل محلی. فایل اصلی مورد خزش قرار می گیرد و صفحه ها و سایر فایل ها به صورت انفرادی روی سیستم فایل بایگانی ذخیره می شوند. دست یابی بوسیله شناوری مستقیم در نظام فایل انجام می شود.

عکس

ص: 36

پیوند به طور مناسب از محیط وب زنده به محیط بایگانی، مسیردهی نمایند (فرض می کنیم که پیوندهای اصلی بدون تغییر در بایگانی نگهداری می شوند که این مزیت مهم این روش است). این کار می تواند در سطح نمایش صفحه و در سطح نماینده انجام شود.

گزینه نخست در افزودن به صفحه فرستاده شده به مرورگر کاربر بایگانی را در بر می گیرد که متن سند این کار را خواهد کرد، در خزش تفسیر مجدد پیوندها در صفحه ای به نقطه ای در بایگانی انجام خواهد شد (یا آن ها را در یک شکل مرتبط تفسیر می کند) بایگانی اینترنت برای مثال این کار را با پیروی از کد جاوا-اسکریپت (1) هر صفحه فرستاده شده برای کاربران پیوست شده انجام می دهد.

>SCRIPT language="Javascript<<"

-!>

//FILE ARCHIVED ON 20050308085053 AND RETRIEVED FROM THE

//INTERNET ARCHIVE ON 20060514055212.

//JAVASCRIPT APPENDED BY WAYBACK MACHINE, COPYRIGHT

INTERNET ARCHIVE.

//ALL OTHER CONTENT MAY ALSO BE PROTECTED BY COPYRIGHT

17)U.S.C.

//SECTION 108(a)(3.((

var sWayBackCGI ="http://web.archive.org/web/20050308085053;"/

function xLateUrl(aCollection, sProp(

( )var i = 0

for(i = 0; i < aCollection.length; i(++

if (aCollection[i][sProp].indexOf(‘‘mailto:") == -1

aCollection[i][sProp].indexOf(‘‘javascript:") == -1(

aCollection[i][sProp] = sWayBackCGI + aCollection[i][sProp;[

{ var i = 0

for(i = 0; i < aCollection.length; i(++

if (aCollection[i][sProp].indexOf(‘‘mailto:") == -1

aCollection[i][sProp].indexOf(‘javascript:") == -1(

aCollection[i][sProp] = sWayBackCGI + aCollection[i][sProp;[

{ var i = 0

for(i = 0; i < aCollection.length; i(++

if (aCollection[i][sProp].indexOf(mailto:") == -1

ص: 39

aCollection[i][sProp].indexOf(‘javascript:") == -1(

aCollection[i][sProp] = sWayBackCGI + aCollection[i][sProp;[

{

if (document.links) xLateUrl(document.links, “href;(“

1 Web Archiving: Issues and Methods 35

if (document.images) xLateUr (document.images, “src;(“

if (document.embeds) xLateUrl(document.embeds, "src;(“

if (document.body document.body.background( document.body.background = sWayBackCGI+

سند. بدنه. زمینه

<-//

/>SCRIPT<

/>HTML<

مشکل این روش این است که برخی پیوندها (جاسازی شده در متن سند) (1) تفسیر نخواهد شد و از این رو، در نقطه ای در وبگاه منبع می مانند. در برخی موارد، تفسیر کد صفحه، برخی رفتارها را فعال می کند، مانند تغییر مسیر حتی قبل از اینکه کد پیوست شده به عنوان مرورگر جدید تفسیر گردد. منتظر نباشید تا سند کامل برای تفسیر به دست آید و آن را نمایش دهد.

با استفاده از نماینده ای که تمام درخواست ها از مرورگر کاربر به بایگانی تغییر مسیر می دهد، بسیار مؤثرتر و کار آمد می باشد همانطور که مسیر دهی بعد از تفسیر پیوند رخ می دهد توسط تعامل کاربر (با کلیک کردن) و مرور گر انجام می شود و کد را برای تولید درخواست مناسب تفسیر می کند (HTML سند متن سرویس گیرنده جانبی فرمت های دیگر) این کارآمدترین به عنوان ظرفیت مرورگر اصلی برای تفسیر مجموعه کدهای استاندارد برای کاری که معمولاً بر روی وب انجام می شود. این رویکرد، نیاز به ایجاد یک نماینده دارد که به یگانی تغییر مسیر دهد و به یک پارامتر که یک مرورگر از آن استفاده کند تا بتواند تقاضاهای زیادی برای یک محیط بایگانی پیوسته داشته باشد. استفاده از اتصال مرورگر برای مدیریت انتقال شکل باز به محیط نماینده می تواند این کار را برای کاربران نهایی آسان سازد.

بیشتری را از روش های دیگر فراهم می کند. چون بر سازماندهی فایل محلی بستگی دارد، همچنین مناسب برای انتقال و همچنین تحویل محتواست.

ابزارها

این روش، به یک زیر ساخت دسترسی و به یک خزنده بایگانی (مانند HERITRIX) و یک نظام نمایه سازی برای فایل های WARC نیاز دارد. IIPC زنجیره کاملی از ابزارهایی دارد که برای ایجاد این توابع عملیاتی توسعه یافته است.

4-3-3-بایگانی غیروب

توصیف

در این رویکرد که در شکل 7-1 ترسیم شده است، اسنادی که بر روی وب بوده و از متن ابر متن استخراج شده و در یک سبک متفاوت برای دسترسی منطقی و /یا فرمت سازمان دهی مجدد می شوند.

این می تواند موردی باشد که وقتی یک مجموعه اسناد از وب برداشته می شوند، از دسترسی منطقی مبتنی بر پیوند به یک پیوند مبتنی بر فهرست دوباره سازماندهی می شوند.

عکس

شکل 1- 7. اسناد از سایت اصلی در بایگاه سازماندهی مجدد می شوند، ساختار غیر وبی را پیروی می کنند، به طور موردی از فهرستی که دسترسی به اسناد انفرادی را فراهم می کند، استفاده می کند.

ص: 41

همچنین، این موردی است که وقتی یک صفحه یا حتی یک وبگاه کامل به فرمت PDF تغییر شکل یافته است. Adobe Acrobat (1) این توابع عملیاتی را دارد و می تواند تمام یک وبگاه را در یک سند واحد PDF تغییر شکل دهد. در این مورد سند به طور مجازی چاپ شده است که یک انتقال بی حرکت و یک صفحه یاد داشت مانند سازماندهی را شامل می شود، حتی اگر پیوند دهی بتواند هنوز با استفاده از شمای داخلی نام گذاری مناسب کار کند.

عکس

جدول 2-1. خلاصه ای از انواع بایگانی وب

تکامل می تواند به طور افقی با تعدادی از نقاط ورودی مربوط که در فضای پیرامون طراحی شده، با نمایش هندسی ارزیابی شود و از نظر برنامه کاربردی عمودی با تعدادی از گره های پیوندی می توان که از این نقطه ورودی دریافت شده اند اندازه گیری می شود. معمولا نقاط ورودی صفحه های اصلی سایت هستند و پیوندها می توانند کاربران را به هر یک از نقاط ورودی هدایت کنند (سایت دیگر) یا به عناصر همان سایت بفرستند. این مورد برای بایگانی مبتنی بر سایت است.

به هر حال، در برخی موارد، گنجایش برنامه کاربردی عمودی برای جا سازی عناصر(برای مثال تصاویر همراه با یک صفحه) محدود شده است و مجموعه فقط به طور افقی با نادیده گرفتن سطح سایت، سازماندهی شده است. برای مثال این مورد برای خزش موضوع های خالص در جایی که صفحه ها را در بر نمی گیرد بر اساس تعلق شان به سایت می باشد، اما فقط بر روی ارتباط شان با موضوع است.

به طور مطلوب، بایگانی وب باید به طور عمودی همچنین افقی کامل شود. اما در عمل، برای دسترسی سخت است و اولویت هایی باید قرار داده شوند. بایگانی زمانی که کامل شدن افقی به کامل شدن عمودی ترجیح داده شود، «بسیط» نامیده می شود.

عکس

شکل 1-8. مجموعه های بسیط شامل بیشتر سایت هاست ولی فقط در سطحی بایگانی می شود. فقط محتوا در ناحیه سایه دار بایگانی می شود. صفحه ها عمیق در سلسله مراتب (سی 6، سی 7، سی 8، دی 3، دی 3، دی 5) و نیز محتوایی که پایگاه داده پنهان شده (وب پنهان) تصرف خواهند شد.

ص: 44

برای مثال، این مورد برای مجموعه بایگانی اینترنت است که به وسیله الکسا (همچنین برنر، 1997؛کیمپتون و همکاران،2006) ارائه شده است، خزشگر الکسا یک رویکرد خزش سطح اول را استفاده می کند و عمق خزش را برای یک سایت بر طبق ترافیک اندازه گیری شده برای این سایت وفق می دهد.

بر عکس، بایگانی «متمرکز» نامیده می شود زمانی است که تکامل عمودی به کامل شدن افقی ترجیح داده می شود (شکل 9- 1 را ببینید).

عکس

شکل 1-9. بایگانی بسیط سایت های کمتری مورد خزش قرار می گیرند ولی خزش در عمق انجام می شود. ولی سایت الف و دی مورد بایگانی قرار می گیرند ولی در حالت کلی شامل بخش وب پنهان سایت الف.

برای مثال، در این مورد، وقتی اولویت نخست - سایت برای خزش گرها استفاده شده یا وقتی که یک بازبینی دستی، در جایی که مورد نیاز است، بر روی آن انجام می شود، بایگانی تکمیلی انجام می شود. بایگانی متمرکز حتی متقاضی بیشتری برای سایت های وب پنهان دارد (همچنین، سایت های وب عمیق نامیده شده است) جایی که دسترسی به تمام محتوا با خزش گرها ممکن نیست.

برخی شرکت های تجاری مجموعه های بزرگی از محتوای وب عمومی را بایگانی می کنند مانند گوگل با نهانگاهش (1) و بایگانی هانزو (2) . مثال هایی از بایگانی وب تجاری عمومی پیوسته هستند.

سرانجام، بسیاری از سازمان ها، بایگانی وب داخلی را برای اهداف شخصی توسعه می دهند که به عنوان بایگانی وب خصوصی (مخفی) طبقه بندی خواهند شد. منحصر به فرد بودن نوع دسترسی (پیوسته یا غیر پیوسته) و همچنین وضعیت تجاری در اینجا ارتباط کمتری دارد چون این بایگانی ها فقط برای استفاده خصوصی هستند.

(ورمن (1) و همکاران، 2002) این پروژه ها نه تنها جهت دهی یک عنوان را به اشتراک می گذارند، بلکه از

یک شبکه آگاهی دهنده نیز استفاده می کنند.

از طرفی دیگر، پژوهشگران که تغذیه های صحیح و به روز

طرح های متمرکز دیگری در کتابخانه ها از طریق جست و جوی فعال و بایگانی وبگاه گزینشی (2) انجام شده است و مانند طرح مینروا (3) از کتابخانه کنگره (اشنایدر و همکاران 2003) یا بایگانی وب انتخابات فرانسه که توسط کتابشناسی ملی فرانسه ایجاد شده است (میزانس ، 2005). در مقایسه با رویکرد قبلی مبتنی بر عنوان متمرکز، کشف سایت ها به طور طبیعی به عنوان محصول فرعی از فعالیت پژوهشی ایجاد نشده است. و به عنوان یک فعالیت خاص نیاز به بررسی دارد.

بالاخره، برخی طرح ها که با این مقوله مرتبط هستند. از خزش عنوان برای کشف و ضبط محتوا مرتبط با مطلب مشابه استفاده. می کنند (چاکرابارتی (4) و همکاران، 1999؛ برگمارک 2002 (5) ،؛ برگمارک و همکاران، 2002؛ کیواین (6) و همکاران، 2004). کشف و فیلتر کردن خودکار با استفاده از فن سنتی خزش در ترکیب ارزیابی سطح صفحه در محتوای متنی انجام شده است که گاهی اوقات با کاویدن ساختارهای پیوندی آمیخته می شود. مجاورت با عنوان، می تواند از مجموعه ای از نوشتجات یا از باز خورد کاربر، فرا گرفته شود. اگر چه محتمل است، این ناحیه باز هم نیاز به پژوهش برای به کار برده شدن در بایگانی دارد.

عملیاتی یا عمومی مانند Com و (edu و انواع سیستم اطلاعاتی جغرافیایی مانند (1) (ch.jp) و انواعی را در دامنه سطح نخست تشخیص دهد و که (اغلب دامنه سطح بالا نامیده می شود). دامنه های سطح بالای جغرافیایی اغلب بخش های فرعی عملیاتی دارند و (مانند asso.fr gob.mex). که به این معناست که دامنه سطح دوم (2) همچنین، در همان روش مدیریت خواهد شد. استثناها برای عملکردهایی مانند TLDها وجود دارد که بخش های فرعی جغرافیایی دیگر را دارا می باشند. (به وسیله ایالت ها). به هر حال، توجه داشته باشید که تمام این قسمت ها فضای حوزه اینترنتی است که توسط نمایندگی مدیریت شده اند (3) . هر هویت تحت فرمان آن ها می تواند یک سیاست خاص را در رابطه با تخصیص و کنترل فضاهای شان به کار ببرد بنابراین رسیدن به بهره برداری از SLD,TLD برای گزینش بایگانی وب، در هر مورد طبق ارزیابی این سیاست بستگی دارد (مثلاً org,.com.gTLD) به وسلیه تمام انواع سازمان ها استفاده شده اند نه تنها توسط سازمان های تجاری برای com. و سازمان های بدون فایده برای org. چون محدودیتی برای ثبت نام وجود ندارد) به علاوه، برخی هویت ها تحت فرمان مدیریت TLD، سیاستشان را طبق زمان تغییر می دهند.

(org.net با داشتن محدودیت ها قبل از سال 1996 استفاده شده اند و frTLD به طور قابل توجهی محدودیت ها را در سال 2005 کاهش داده است).

مزیت بزرگ دیگری که در اینجا باید ذکر کنیم، آوردن معیارهایی است که بتواند به طور خودکار توسط خزشگرها آشکار شوند مانند نام های دامنه پروژه های دیگری در واقع، رویکرد مرکزی دامنه را اجرا می نمایند. برخی، بر روی یک دامنه عمومی مانند (کروس و و همکاران، 2003؛ کارلین، (2004 و یا edu (لايل، 2004) متمرکز شده اند.

برخی از دامنه های ملی مانند ایالت کالتیورارو (4) در سال 1997 که توسط کتابخانه سلطنتی سوئد ایجاد شد، استفاده می کنند (آرویدسون 2000) که SeTLD و همچنین صفحه ها سوئدی پیوند یافته از آن و در مانند com. واقع شده است را پوشش می دهد.

کیفیت بایگانی ها دارد.

همان طور که توانستیم پیش بینی کنیم، خود کار سازی این وظایف، در پایین آوردن فاحش هزینه های هر دستیابی به سایت توانا هستند (1) . به طور مطلوب یک اپراتور تنها با اجرای خزش می تواند میلیون ها صفحه را کشف و بارگذاری کند. نظر به این که نمایه سازی تمام متن کمکی برای یافتن قدرتمند قابل مقایسه ای را فراهم میکند که اگر در برخی موارد برای فهرست کردن عالی نباشد، بنابراین می بینیم که بار دیگر اینجا چقدر خود کارسازی به طور چشمگیری هزینه ها را کاهش می دهد، چون می تواند بر روی یک مقیاس بزرگ برده شود (استک، 2005) (هال گریمسون، 2006).

متأسفانه، خودکار سازی، محدودیت هایی دارد و بررسی دستی باید در برخی موارد انجام شود. برای مثال کشف می تواند به طور دستی با اتوماتیک انجام شود. وقتی کار به طور دستی انجام شود می تواند یک فعالیت خاص یا یک محصول فرعی از فعالیت های دیگر باشد مانند DACHS (لچر، 2006) و نمایش بایگانی های وب (وئرمان (2) و دیگران، 2002) Achipol این نوع رویکرد معمولاً برای بایگانی مرکزی عنوان در انجام می شود. اگر چه خزش عنوان به طور مؤثر برای کشف مطلب سایت های یا صفحه های مربوط آزمایش می گردد. ابزارهای خودکار می توانند به طور مطمئن (نه در این زمان) در مقایسه با یک شبکه متخصصان، مرجع هایی را برای بهترین مطالب که از آن مطلع هستند، فراهم نمایند.

به هر حال، فقدان حوزه تخصصی و عدم درک تنها معایب خزش گرها نیستند.این مسئله مورد توجه است که تأخیر برای یافتن سایت های جدید مورد نیاز است. زمان بسیار زیادی برای یافتن سایت های کلی گرفته می شود. وقتی وارد سایت های زودگذر (بی دوام) می شود، برای مثال مرتبط با یک رویداد، تاخیری می تواند بسیار طولانی باشد و آن ها را بایگانی کند این تفاوت به وسیله (میزانس،2005) با یک مقایسه سایت های کشف شده توسط خزشگر الکسا و قابلیت دسترسی و روزانه به بایگانی اینترنت و سایت های مرتبط با انتخابات فرانسه در سال 2002 که توسط گروهی از کتابداران مرجع انجام شد و به وسیله کتابخانه ملی فرانسه بایگانی گردید، مورد بررسی قرار گرفته است.

این بررسی، مزیت های آشکاری را برای گزینش فعالیت دستی در مجموعه های مبتنی بر ربط، برای کشف به موقع و در تمرکز عمیق نشان می دهد.

رده بندی بایگانی وب بر طبق روش بررسی اش همچنین می توانست در یک شاخه مالی انجام شود. بر تراز پردازش اتوماتیک و دستی دو حالته، شخص می تواند برای مثال نوع منبع استفاده شده برای كشف، تناوب جست و جو، و ضبط، سطح کیفیت بازبینی ایجاد شده و دانه دانه بودن آیتم های بایگانی شده (سایت ها، صفحه ها)، و مانند آن را مورد بررسی قرار می دهد.

ص: 50

به هر حال، این امر که بیشتر بایگانی های وب به دو مدل عمده تمایل دارند، تمایز اصلی است که آیا انتخاب به طور دستی یا غیر آن انجام شده است. یکی مدل های خزش گر های کلی است که معمولاً مبتنی بر مرکز (دامنه های ملی یا دامنه های عمومی) است یا به صورت آزاد (بایگانی اینترنت)، و دیگری مدل گزینش فردی تعداد محدودی از جست و جوها یا نقاط ورودی است که به طور دستی انجام می شود (معمولاً سایت ها). تمایز در بیشتر در رویکرد روش شناختی آن ها به ندرت دیده شده یا هیچ یک برای طبقه بندی آن ها مورد استفاده قرار نمی گیرد.

14. Bergmark, D. (2002). Collection synthesis. Paper presented at the 2nd ACM/IEEE-CS joint conference on Digital libraries, Portland, USA

15. Bergmark, D., Lagoze, C., Sbityakov, A. (2002). Focused crawls, tunneling, and digital libraries. Paper presented at the 6th European Conference on Research and Advanced Technology for Digital Libraries, Roma, Italy

16. Berners-Lee, T. Connolly, D. (1995). Hypertext Markup Language - 2.0. RFC,1866

17. Berners-Lee, T. (1994). Universal Resource Identifiers in WWW, A Unifying Syntax for the Expression of Names and Addresses of Objects on the Network as used in the World- Wide Web. RFC 1630

18. Berners-Lee, T. (1998). Cool URIs don't change. http://www.w3.org/Provider/ Style/ URI.html

19. and ultimate destiny of the World Wide Web by its inventor (1st pbk. ed.). New York: HarperCollins

20. Björneborn, L. Ingwersen, P. (2001). Perspective of webometrics.

21. Scientometrics, 50(1), 65-82

22. Bolter, J. D. (2001). Writing space: Computers, hypertext, and the remediation of print (2nd ed.). Mahwah, NJ: Lawrence Erlbaum Associates

23. Borgman, C. L. (2000). From Gutenberg to the global information infrastructure: access to information in the networked world (Digital libraries and electronic publishing). Cambridge, MA: MIT

24. Borgman, C. L. (2003). The Invisible Library: Paradox of the Global Information Infrastructure. Library Trends, 51(4), 652-674

25. Boudrez, P. Eynde, V. D., Sofie. (2002). Archiving Websites

26. Boufkhad, Y. Viennot, L. (2003). The Observable Web. RR

27. Boyko, A. (2004). Test Bed Taxonomy. IIPC Reports, 16

28. Broder, A., Kumar, R., Maghoul, F., Raghavan, P., Rajagopalan, S., Stata, R., et al. (2000). Graph structure in the web. Paper presented at the 9th International World Wide Web Conference (WWW9), Amsterdam, Netherlands

29. Brown, A. (2006). Archiving the Web: A guide for information management professionals. Library Assn Pub.

30. Brügger, N. (2005). Archiving Websites, general considerations and strategies. A arhus, Denmark: Center for Internet Research

ص: 53

31. Bruns, A. (2005). Gatewatching: Collaborative online news production (Digital formations, v. 26). New York: P. Lang

32. Burner, M. (1997). Crawling towards Eternity Building An Archive of The World Wide Web. New Architect, 5

33. Canfora, L. (1989). The vanished library (Hellenistic Culture and Society; 7). Berkeley: University of California Press

34. Canfora, L. (1996). Les bibliothèques anciennes et l'histoire des textes. In M. Baratin, C. Jacob (Eds.), Le pouvoir des bibliothèques: la mémoire des livres en Occident. (pp. 338 p). Paris: A. Michel

35. Carlin, J. W. (2004). Harvest of agency public websites. NARA Bulletin, 2005-02

36. Castells, M. (1996). The rise of the network society. Malden, MA: Blackwell

37. Castillo, C., Marin, M., Rodriguez, A., Baeza-Yates, R. A. (2004). Scheduling Algorithms for Web Crawling

38. Chakrabarti, S. (2002). Mining the Web: discovering knowledge from hypertext data. San Francisco, CA: Morgan Kaufmann

39. Chakrabarti, S., Berg, M. V. D., Dom, B. (1999). Focused crawling: A new approach to topic-specific Web resource discovery. Computer Networks (Amsterdam, Netherlands: 1999), 31, 1623-1640

40. Chang, K. C.-C., He, B., Li, C., Patel, M., Zhang, Z. (2004). Structured

41. databases on the web: observations and implications. SIGMOD Record,

42. 33(3), 61-70

43. Charlesworth, A. (2003). Legal issues relating to the archiving of Internet resources in the UK, EU, USA and Australia

44. Cho, J., Garcia-Molina, H. (2000). The evolution of the web and implications for an Incremental Crawler. Paper presented at the Proceedings of the 26th International Conference on Very Large Data Bases

45. Cho, J., Garcia-Molina, H., Page, L. (1998). Efficient Crawling Through url ordering. Computer Networks and Isdn Systems, 30, 161–172

46. Christensen-Dalsgaard, B. (2001). Archive experience, not data. Paper presented at the Preserving the Present for the Future - Strategies for the Internet, The Royal Library, Copenhagen, Denmark

47. Crowston, K., Williams, M. (1997). Reproduced and emergent genres of communication

ص: 54

on the World-Wide Web. Paper presented at the 30th Annual Hawaii International Conference on System Sciences (HICSS-30), Wailea, USA

48. Cruse, P., Eckman, C., Kunze, J. (2003). Web-based government information: Evaluating solutions for capture, curation, and preservation. An Andrew W. Mellon funded initiative of the California Digital Library

49. Dahn, M. (2000). Counting Angels on a Pinhead: Critically Interpreting Web Size Estimates. Online, January/February, 35-40

50. Day, M. (2006). The long-term preservation of Web content. In J. Masanès (Ed.), Web archiving. Berlin Heidelberg New York: Springer

51. Dikaiakos, M. D. (2004). Intermediary infrastructures for the World Wide web. Computer Networks, 45(4), 421-47

52. Dobra, A., Fienberg, S. E. (2004). How Large Is the WorldWide Web?. In M. Levene, A. Poulovassilis (Eds.), Web dynamics web dynamics - adapting to change in content, size, topology and use. (pp. 23-44). Berlin Heidelberg New York: Springer

53. Dubberly, H., Forlizzi, J., Hodge, C., Laurel, B., Lyman, P., Meggs, P. B., et al. (2002). Archiving experience design, a virtual roundtable discussion. LOOP: AIGA Journal of Interaction Design Education, Number 6

54. Dumais, S. T., Cutrell, E., Cadiz, J. J., Jancke, G., Sarin, R., et al. (2003). Stuff I've seen: A system for personal information retrieval and re-use. Toronto, Canada

55. Egghe, L. (2000). New informetric aspects of the Internet: some reflections - many problems. Journal of Information Science, 26(5), 329-335

56. Eisenstein, E. L. (1979). The printing press as an agent of change: Communications and cultural transformations in early modern Europe. Cambridge [Eng.]; New York: Cambridge University Press

57. Entlich, R. (2004). Blog Today, Gone Tomorrow? Preservation of Weblogs. RLG DigiNews, 8(4)

58. Eriksen, L. B. Ihlström, C. (2000). Evolution of the web news genre - The slow move beyond the print metaphor. Paper presented at the 33rd Hawaii International Conference on System Sciences (HICSS-33), Hawaii, USA

59. Estivals, R. (1961). Le dépôt légal sous l'Ancien Régime, de 1537 à 1791. Paris: M. Rivière

60. Estivals, R. (1965). La statistique bibliographique de la France sous la monarchie au

ص: 55

XVIIIe siècle. Paris: Mouton

61. Fauconnier, S. Frommé, R. (2004). Capturing unstable media, summary of research

62. Fayet-Scribe, S. (2000). Histoire de la documentation en France: Culture, science, et technologie de l'information, 1895–1937 (CNRS histoire). Paris: CNRS

63. (Featherstone, M. (2000). Archiving cultures. British Journal of Sociology, 51(1

64. Febvre, L.P.V. Martin, H. J. (1976). The coming of the book: The impact of printing 1450-1800 ([New ed.] ed.). London: NLB

65. Fielding, R. T., Gettys, J., Mogul, J., Nielsen, H. F., Masinter, L., J, P., et al. (1999). Hypertext Transfer Protocol - HTTP/1.1. RFC, 2616

66. Fitch, K. (2003). Web site archiving: An approach to recording every materially different response produced by a website. Paper presented at the AusWeb (2003): The Ninth Australina World Wide Web Conference, Sanctuary Cove, Australia

67. Florescu, D., Levy, A., Mendelzon, A. (1998). Database techniques for the World- Wide Web: A survey. SIGMOD Record 27, 59-74

68. Freeman, E. Gelernter, D. (1996). Lifestreams: A storage model for personal data. SIGMOD Record, 25(1), 80-86

69. Gemmell, J., Bell, G., Lueder, R., Drucker, S., Wong, C. (2002). MyLifeBits: fulfilling the Memex vision. Juan-les-Pins, France

70. Gibson, D., Punera, K., Tomkins, A. (2005). The volume and evolution of web page templates. Paper presented at the WWW'05 14th international conference on World Wide Web, Chiba, Japan

71. Gillies, J. Cailliau, R. (2000). How the Web was born: The story of the World Wide Web. Oxford: Oxford University Press

72. Golder, S. Huberman, B. A. (2005). The Structure of Collaborative Tagging Systems 73. Gomes, D. Silva, M. J. (2003). A Characterization of the Portuguese Web. Paper presented at the 3rd Workshop on Web Archives (IWAW'03), Trondheim, Norway

74. Gulli, A. Signorini, A. (2005). The indexable web is more than 11.5 billion pages. Chiba, Japan

75. Halavais, A. (2004). Tracking Ideas in the Blogosphere

76. Hallgrímsson, T. (2006). Access and finding aids or web archives. In J. Masanès (Ed.), Web archiving. Berlin Heidelberg New York: Springer

77. Hine, C. (2000). Virtual ethnography. London; Thousand Oaks, CA: Sage

ص: 56

78. Hofmann, M. Beaumont, L. R. (2005). Content networking: Architecture, protocols, and practice (The Morgan Kaufmann Series in Networking). Amsterdam; Boston: Morgan Kaufmann

79. Ingwersen, P. (1998). The calculation of web impact factors. Journal of

80. Documentation, 54(2)

81. Jones, S. Johnson, C. (2006). Web Use and Web Studies. In J. Masanès (Ed.), Web Archiving. Berlin Heidelberg New York: Springer

82. Jones, W., Bruce, H., Dumais, S. (2001). Keeping found things found on the web. Atlanta, GA, USA

83. Jones, W., Bruce, H., Dumais, S. (2003). How do people get back to

84. information on the Web? How can they do it better? Paper presented at the IFIP INTERACT'03

85. Kahle, B. (1997). Preserving the Internet. Scientific American, 397, 82-84

86. (Kahle, B. (2002). The Internet Archive. RLG DigiNews, 6(3

87. Kimpton, M., Braggs, M., Ubois, J. (2006). Year by Year: From an Archive of the Internet to an Archive on the Internet. In J. Masanès (Ed.), Web Archiving. Berlin Heidelberg New York: Springer

88. (Koehler, W. (1999). Unraveling the ISSUES, ACTORS, ALPHABET SOUP of the Great Domain Name Debates. Searcher, 7(5

89. (Koehler, W. (2004). A longitudinal study of Web pages continued: a consideration of document persistence. Information Research, 9(2

90. Krishnamurthy, B. Rexford, J. (2001). Web protocols and practice: HTTP/1.1, networking protocols, caching, and traffic measurement. Boston, MA: Addison-Wesley 91. Lagoze, C., Dean B. K., Sandy, P., Jesurogaii, S. (2005). What Is a Digital Library Anymore, Anyway? Beyond Search and Access in the NSDL. D-Lib Magazine, 11–11 92. Lampos, C., Eirinaki, M., Jevtuchova, D., Vazirgiannis, M. (2004). Archiving the Greek Web. Paper presented at the 4th International Web Archiving Workshop (IWAW'04), Bath (UK)

93. Landow, G. P. (1997). Hypertext 2.0 (Rev., amplified ed.). Baltimore: Johns Hopkins University Press

94. Lavoie, B. F. Schonfeld, R. C. (2005). The systemwide print book collection. Paper presented at the CNI Spring 2005 Task Force Meeting

ص: 57

95. Lawrence, S. Giles, C. L. (1998). Searching the Web. Science, 281, 175.

96. Lawrence, S. Giles, C. L. (1999). Accessibility of Information on the Web.Nature, 400, 107-109

97. Lecher, H. E. (2004). Informant networks, alarm systems, and research contributors. Selection and ingest process for the Digital Archive for Chinese Studies. Paper presented at the Archiving Web Resources Conference - Issues for Cultural Heritage Institutions, NLA, Canberra, Australia

98. Lecher, H. E. (2006). Academic Web archiving: DACHS. In J. Masanès (Ed.), Web archiving. Berlin Heidelberg New York: Springer

99. Levy, P. (1997). Collective intelligence: Mankind's emerging world in cyberspace. Cambridge, MA: Perseus Books

100. Liu, C. Albitz, P. (1999). DNS BIND (3rd ed.). O'Reilly Associates

101. Lueg, C. Fisher, D. (2003). From Usenet to CoWebs: Interacting with social information spaces (Computer supported cooperative work). Berlin Heidelberg London New York: Springer

102. (Lyle, J. A. (2004). Sampling the Umich.edu Domain. Paper presented at the 4th International Web Archiving Workshop (IWAW'04), Bath (UK

103. Lyman, P. (2002). Archiving the World Wide Web. In CLIR (Ed.), Building a national strategy for preservation: issues in digital media archiving. Council

104. on Library and Information Resources and the Library of Congress

105. Lyman, P. Kahle, B. (1998). Archiving digital cultural artifacts. D-Lib Magazine

106. Mantratzis, C. Orgun, M. (2004). Towards a peer2peer world-wide-web for the broadband-enabled user community

107. (Masanès, J. (2002). Towards continuous Web archiving: First results and an agenda for the future. D-Lib Magazine, 8(12

108. Masanès, J. (2004). Site-first priority: Implementing the frontline

109. Masanès, J. (2005). Web archiving methods and approaches: A comparative study. Library Trends

110. Masanès, J. (2006a). Collecting the hidden web. In J. Masanès (Ed.), Web archiving. Berlin Heidelberg New York: Springer

111. Masanès, J. (2006b). Selection for Web Archives. In J. Masanès (Ed.), Web archiving. Berlin Heidelberg New York: Springer

ص: 58

112. Mohr, G., Kimpton, M., Stack, M. Ranitovic, I. (2004). Introduction to Heritrix, an archival quality web crawler. Paper presented at the 4th

113. (International Web Archiving Workshop (IWAW'04), Bath (UK

114. Mueller, M. (2002). Ruling the root: Internet governance and the taming of cyberspace. Cambridge, MA: MIT

115. Najork, M. Heydon, A. (2001). High-performance Web crawling. SRC Research Report

116. Najork, M. Wiener, J. (2001). Breadth-first search crawling yields high-quality pages. Paper presented at the 10th World Wide Web Conference (WWW'10), Hong Kong

117. National Archives of Australia. (2001). Archiving Web resources: A policy for keeping records of web-based activity in the Commonwealth Government

118. (Osborn, T. (1999). The ordinariness of the archive. History of the human sciences, 12(2

119. Page, L., Brin, S., Motwani, R. Winograd, T. (1998). The Pagerank citation ranking: Bringing order to the Web, 17

120. Pandey, S. Olston, C. (2005). User-centric Web crawling. Chiba, Japan

121. Pant, G., Srinivasan, P. Menczer, F. (2004). Crawling the Web. In M. Levene, A. Poulovassilis (Eds.), Web Dynamics. (pp. 153–178). Berlin Heidelberg New York: Springer

122. (Pastor-Satorras, R. Vespignani, A. (2004). Evolution and structure of the Internet: A statistical physics approach. Cambridge, UK; New York: Cambridge University Press 123. Phillips, M. E. (2005). Selective archiving of Web Resources: A study of 124. acquisition costs at the National Library of Australia. RLG DigiNews, 9(3

125. Qin, J., Zhou, Y. Chau, M. (2004). Building domain-specific web collections for scientific digital libraries: A meta-search enhanced focused crawling method. Tuscon, AZ, USA

126. Rekimoto, J. (1999). Time-machine computing: A time-centric approach for the information environment. Paper presented at the 12th annual ACM symposium on User interface software and technology, Asheville, North Carolina, USA

127. (Riché, P. (1996). La bibliothèque et la formation de la culture médiévale. In M. Baratin, C. Jacob (Eds.), Le pouvoir des bibliothèques: la mémoire des livres en Occident (p.

ص: 59

338). Paris: A. Michel

128. Ringel, M., Cutrell, E., Dumais, S., Horvitz, E. (2003). Milestones in Time: The Value of Landmarks in Retrieving Information from Personal Stores. Paper presented at the IFIP INTERACT '03

129. RLG. (2006). Web Archiving Program. http://www.rlg.org/en/page.php?

130. Page-ID=399

131. Roche, X. (2006). Copying web sites. In J. Masanès (Ed.), Web Archiving. Berlin Heidelberg New York: Springer

132. Rosenfeld, L. Morville, P. (2002). Information architecture for the World Wide Web (2nd ed.). Cambridge, MA: O'Reilly

133. Scharl, A. (2000). Evolutionary Web development (Applied computing). Berlin Heidelberg New York: Springer

134. Shepherd, M. Polanyi, L. (2000). Genre in Digital Documents. Paper presented at the Proceedings of the 33rd Hawaii International Conference on System Sciences - vol. 3

135. Sonnenreich, W. (1997). A History of Search Engines. http://www.wiley.com/legacy/ compbooks/sonnenreich/history.html

136. Spinellis, D. (2003). The decay and failures of web references. Communications of ACM, 46(1), 71-77

137. Stack, M. (2005). Full Text Search of Web Archive Collections. Paper presented at the IWAW'05, Vienna, Austria

138. Star, S. L. Ruhleder, K. (1994). Steps towards an ecology of infrastructure: Complex problems in design and access for large-scale collaborative systems. Chapel Hill, NC, United States

139. Teevan, J. (2004). How people re-find Information when the Web changes. AIM- 2004-012

140. Thelwall, M. (2001). Extracting macroscopic information from Web links. Journal of the American Society for Information Science and Technology, 52(13), 1157–1168 141. Thelwall, M. (2006). Interpreting social science link analysis research: A theoretical framework. Journal of American Society of Information Science and Technology 57(1), 60-68

142. Thelwall, M. Harries, G. (2004). Do the websites of higher rated scholars have

ص: 60

significantly more online impact? Journal of the American Society for Information Science and Technology, 55(2), 149–59

143. Thelwall, M. Vaughan, L. (2004). A fair history of the Web? Examining country balance in the Internet archive. Library Information Science Research, 26(2), 162– 176

144. Ubois, J. (2002). The Oakland archive policy. Recommendations for managing removal requests and preserving archival integrity

145. (Voerman, G., Keyzer, A., Hollander, F. D., Druiven, H. (2002). Archiving the Web: Political Party Web sites in the Netherlands. European Political Science, 2 (1

ص: 61

امکانات این سیستم هر 12 - 18 ماه دو برابر می شود. در جامعه آرشیوی 10 سال زمان زیادی نیست، اما زمان مناسب برای خلق یک عامل 100 برابر پیشرفت است: از سال 1997 تاکنون قیمت دیسک خام بیش از 99درصد کاهش یافته است؛ یعنی از 180 دلار به 50 سنت برای هر گیگابایت رسیده و بیش از 25 میلیون ارتباط پهنای باند فقط در ایالات متحده اضافه شده است.

با توجه به اینکه میزان پیشرفت رایانه بر اساس ذخیره و بازیابی است، می توان آن چه را که راج ردی (1) از دانشگاه کارنگی ملون (2) با عبارت «دستیابی جهانی به تمام دانش» بیان کرده است، محتمل دانست.

برانگیز نبود. چون وب سابقه تاریخی چندانی نداشت توضیح فواید صفحات از دست رفته مشکل بود.

برای نشان دادن ارزش بالقوه چنین صفحاتی، آرشیو، با مؤسسه اسمیتسونین (1) در واشنگتن دی.سی، برای جمع آوری نسخه فوری (2) وبگاه های تمام نامزدهای ریاست جمهوری 1996 (3) همکاری کرد. ابزار انجام این پروژه چندان مورد رضایت نبود. این ابزار به طور اساسی عبارت بودند از: تجهیزات رایانه های شخصی که بر پایه ضبط وب سایت ها از طریق دنبال کردن پیوندها از صفحه اصلی عمل می کردند

این داده ها، در نهایت، به آرشیو ریاست جمهوری اسمیتسونین منتقل شد که در حال حاضر شامل

صفحاتی از 5 حزب سیاسی و کاندیداهای پرشمار ریاست جمهوری از بیل کلینتون گرفته تا پت بوکانن (4) است. بسیاری از سایت ها در این آرشیو با حذف کاندیداها بسته شدند.

بر اساس این موفقیت، کتابخانه کنگره به آرشیو مأموریت داد تا مجموعه پیوسته متمرکزی از انتخابات سال 2000 ایجاد کند و این درخواست را نیز برای انتخابات 2002 تجدید کرد.

همچنین، در سال 1996، آرشیو، ارتباطش را با اینترنت الکسا شروع کرد. اینترنت الکسا، مؤسسه ای انتفاعی است که خزشگری و آرشیوسازی وب را در نوامبر شروع کرد تا داده های پیشنهادی نوار ابزار مرورگر درباره سایت های دیده شده را Plug-in (وصلینه) کند و بر اساس داده های جمع آوری شده از سایر کاربران و پیشنهاد درباره صفحات مرتبط - که ممکن است مورد توجّه باشند - عمل می کرد.

دو پیشرفت دیگر از سال 1996 نیز قابل ذکرند. نخستین پیشرفت، فناورانه است. در 1996، هنوز ارجحیت نوار نسبت به دیسک از نظر قیمت قابل توجه بود و آرشیو اولین نسل زیرساختار را با استفاده از روبات های ذخیره نواری ساخت که با 50 ADIC شروع شد. با وجود همکاری های سخاوتمندانه فروشندگان اصلی، در نهایت ثابت شد این کار قابل دفاع نیست. نیازهای دستیابی که توسط کاربران آرشیو مطرح می شدند بیش از حد شدید و زمان بازیابی خیلی کند بود. همانگونه که بروس گیلیت به طنز می گوید : گرفتن یک صفحه می تواند در چند ثانیه باشد... یا چند روز بعد.

دومین پیشرفت به مسائل قانونی مربوط می شد. مسائل قانونی جمع آوری صفحات وبی با الگوریتم حریصانه و ارائه آن ها بر پایه «صرف نظر کردن» (5) آن گونه که آرشیو در آن سال شروع به انجامش کرد - روشن نبود. بهبود پروتکل ارتقای روبات های محدودیت متنی متعلق به آلتا ویستا گامی مهم بود چون «پیش فرض ها» را تغییر داد - صاحبان صفحات وبی که از گذاشتن آن ها در نمایه موتور جست و جو یا در آرشیو ابا داشتند، روشی ساده برای صرف نظر کردن یا انتقال صفحاتی که صاحب آن بودند ( اثبات آن از طریق توان آن ها برای مناسب سازی راهنمای پایه ای وبگاه مورد نظر بود) داشتند. روبات های متنی برای انتقال موارد مورد نظر برای آن ها که صاحب صفحات در آرشیو بودند راه حلی ارائه داد، ولی نتوانست مشکل انتقال صفحات متعلق به دیگران را رفع کند. این موارد انتقالی، در کنفرانس کوچکی

ص: 65

توضیح داده شد، که توسط آرشیو اینترنت در 2002 ، در یوسی برکلی (1) برگزار شد (یوبویس 2002).

شناسایی و باز شوند؛

• فرمت باید برای پذیرش فایل های بازیابی شده از طریق پروتکل های شبکه ای متنوع مانند HTTP ، FTP ، اخبار، گوفر، و پست الکترونیکی قابل گسترش باشد؛

• فایل باید قابلیت «جریان داشتن» (1) داشته باشد: فایل باید بتواند فایل های چندگانه آرشیو را در جریان

داده ها به هم پیوند دهد؛

• رکورد باید با یکبار نوشتن ماندگار: باشد یکپارچگی فایل نباید به ایجاد بعدی نمایه درون فایلی محتوا وابسته باشد.

در عین حال که خاص سازی به نمایه بیرونی محتوا و شیء - جبرانی نیاز ندارد، چنین نمایه ای به میزان زیادی قابلیت بازیابی اشیای ذخیره شده در این فرمت را افزایش می دهد. در حال حاضر، آرشیو چنین نمایه هایی را فراهم کرده و به دنبال استاندارد سازی فرمت های آن ها از طریق کنسرسیوم حفاظت بین المللی اینترنتی (2) است.

در 999 ، حرکت از صفحات وبی، به سایر انواع داده ها نیز شروع شد. در این سال، هزینه ذخیره آن قدر کاهش یافت که آرشیو توانست به گردآوری تصاویر متحرک بپردازد. از طریق شراکت با ریک پری لینگر (3) ، از آرشیو Prelinger، پروژه دیجیتالی کردن 1000 فیلم (با هزینه حداکثر 160000 دلار) و نیز آرشیو کردن اخبار تلویزیون در پایان سال شروع شد.

2000: ایجاد مجموعه های موضوعی وب

در سال 2000، آرشیو به سطحی از ثبات فناوری رسید. پذیرش داده های خزشگری روش معمول شد و مهاجرت از نوار به دیسک سپری مجموعه گشت.

عکس

جدول 1. مجموعه های آرشیوی اینترنت در مارس 2000

در سال 2000، انتخابات دیگری در ایالات متحده برگزار شد و این بار تمام انتخاب کنندگان دسترسی اینترنتی داشتند. از نظر سیاسی، روشن بود که حضور در اینترنت برای برنده شدن حیاتی است و این امر تمرکز بر برخط بودن سیاسی را افزایش داد. آرشیو اینترنت با کتابخانه کنگره برای گردآوری سایت های سیاسی شریک شد.

این اقدام، اولین پروژه آرشیو با کتابخانه کنگره بود و برای بسیاری از کارکنان آن به معنی انتقال از

ص: 68

یک پروژه تجربی به یک مؤسسه ثابت بود.

فکر ایجاد دسترسی به آثار ناپایدار نگهداری شده باعث حرکت و جنبش آنی و آرشیو تصاویر متحرک (1) در سال 2000 تأسیس شد. در حال حاضر، این آرشیو، با پروانه Creative Commons، شامل فیلم هایی از آرشیو Prelinger مجموعه ای بیش از 1900 فیلم ناپایدار (2) (پیام های بازرگانی، آموزشی، صنعتی و آماتور) است. این مجموعه، در حال حاضر دارای بیش از 10 درصد تمام فیلم های ناپایدار تولید شده در سالهای 1927 و 1987 در آمریکاست و یکی از کامل ترین و متنوع ترین مجموعه فیلم های ژانرهایی است که تعداد زیادی از آن ها نگهداری نشده اند.

2001: دسترسی از طریق ماشین Wayback: آرشیو یازده سپتامبر

طی یک بازه زمانی یکساله از مارس 2000 تا مارس 2001 ،آرشیو ، اندازه موجودی خود را 3 برابر کرد و به بیش از 40 ترابایت رساند. در این دوره، آرشیو هر ماه تقریباً 10 ترابایت رشد می کرد.

عکس

جدول2. مجموعه های آرشیو در مارس 2001

اما سال 2001 برای بسیاری از سازمان های دارای فناوری بالا در محدوده سانفرانسیسکو، سال سختی بود سقوط بازار سرمایه، واگذاری صدها شرکت محلی، و حمله به مرکز تجارت جهانی در نیویورک بر کارهای آرشیو اثر گذاشت. به ویژه، از دست رفتن مشاغلِ«های تک» (3) در واقعه 11 سپتامبر باعث تمرکز بر آن شد. همانگونه که برای توان آرشیو نیز در تهیه تصاویر متحرک و پاسخ به این وقایع حکم نوعی آزمون را داشت. در اوایل 2001، شاید مهم ترین پرسش پیش روی آرشیو این بود که چگونه به بهترین وجه، دسترسی به مجموعه را فراهم کند. داده های بسیاری، به طور مستقیم، از طریق خدمات الكسا در اختیار عموم قرار می گرفت، ولی دسترسی مستقیم به مجموعه ها هنوز نیازمند مهارت های برنامه ریزی یونیکس (4) بود.

برنامه ریزان الکسا، در قراردادی با آرشیو ، برنامه ماشین Wayback را ساختند که خدمات دسترسی

ص: 69

به محتوای آرشیو را بر پایه URL ها می داد 24 اکتبر 2001، ماشین Wayback به کار افتاد و دسترسی به بیش از 10 بیلیون صفحه وبی آرشیو شده و 100 ترابایت داده ممکن شد.

در آن زمان، داده ها روی Hewelett Packar ذخیره می شد و سرورهای uslab.com از سیستم های عامل FreeBSD و Linux استفاده می کرد. هر رایانه، حدود 512 مگابایت حافظه داشت و به طور کلی بیش از 300 گیگابایت روی دیسک های IDE بود.

عکس

تصویر 1. 9. گزینه های فعلی جستجو برای Wayback machine

پروژه مهم دیگر سال 2001 ، آرشیو 11 سپتامبر (1) بود. با همکاری کتابخانه کنگره، آرشیو، تصاویری از بیش از 000,30 وبگاه منتخب را از 11 سپتامبر 2001 تا 1 دسامبر 2001 و صدها ساعت پخش اخبار را گردآوری کرد.

نخستین و بزرگ ترین پروژه ایجاد سایت قرینه در کتابخانه اسکندریه در مصر بود. سرورها و بیش از 100 ترابایت داده، که بیش از 5 میلیون دلار ارزش داشتند به مصر برده شد و برای افتتاح کتابخانه در ماه آوریل نصب شد.

دومین پروژه مهم، ایجاد کتابخانه سیار اینترنتی (1) بود که برای نمایش چگونگی ترکیب اسکن های الکترونیکی کتاب ها، چاپ بر اساس فناوری مورد تقاضا، و اینکه ارتباط شبکه ای ماهواره ای چگونه می تواند مناسب کتابخانه ای هزار جلدی در پشت یک ون باشد، طراحی شد پروژه یک میلیون کتاب (Million Books Project (2) ، در تابستان 2002 ، با شراکت کارنگی ملون شروع شد. هدف این بود که حداقل یک میلیون کتاب دیجیتالی شود و به صورت رایگان روی اینترنت قرار گیرد. با تشویق سوزان مبارک (3) ، آرشیو، ساخت یک کتابخانه سیار را در ایالات متحده شروع کرد و با همکاری دیگران، در هند و کنیا، نیز نمونه هایی از آن ایجاد شد.

سومین پروژه مهم مربوط به سیاست گذاری بود. 30 سپتامبر 2002، در تلاشی برای افزایش آگاهی عمومی درباره اهمیت موارد راهکاری حق مؤلف و کتابخانه سیّاراینترنتی، آرشیو به سفری در سر تاسر کشور و چاپ و توزیع کتاب های رایگان مبادرت کرد کتابخانه سیار را در حیاط ساختمان دادگاه عالی ایالات متحده پارک کرد و به چاپ کتاب پرداخت؛ جایی که قضات، در 9 اکتبر مباحثه میان الدرد (4) و اشکرافت (5) را شنیدند این حادثه مهمی بود که بر اساس آن تصمیم گرفته شد چه تعداد کتاب باید بخشی از کتابخانه دیجیتالی کتابخانه سیار و سایر کتابخانه های دیجیتالی در ایالات متحده باشد. متأسفانه، الدرد شکست خورد و تعمیم حق مؤلف مؤثر واقع افتاد؛ ولی پروژه کتابخانه سیار شکوفا شد و در نهایت، به صورت کتابخانه ای غیر انتفاعی درآمد. اخیراً، دولت هند، ساخت 25 کتابخانه سیار برای استفاده در سر تاسر کشور هند را شروع کرده است.

چهارمین حوزه فعالیت شامل ایجاد اولین آرشیو مجموعه کتاب و موسیقی است در ژوئن اولین مجموعه های کتاب، به صورت پیوسته در اختیار گذاشته شد در آگوست آرشیو موسیقی زنده، شامل مجموعه ای از اجراهای کنسرت - که به طور قانونی قابل بارگیری بودند - به صورت پیوسته درآمد.

پنجمین پروژه مهم، تأسیس کتابخانه دیجیتالی بین المللی کودکان (6) ، با شرکت دانشگاه مری لند (7) ، بود که از سوی کتابخانه کنگره، IMLS ،NSF بنیاد کال / اوستین (8) ، شرکت سیستم های ادوب (9) ، بنیاد مرکل (10) ، و اکتاوو (11) پشتیبانی شد. ICDL، بر ماهیت ذاتی اینترنت، مبتنی بر فراهم آوری دسترسی مستقیم و جهانی به محتوای کیفی برای کودکان متمرکز بوده و هست.

ص: 71

در پایان سال 2002، آرشیو، برای مراقبت از یکپارچگی آرشیوهای دیجیتالی از طریق استاندارد سازی معیارها، و جلوگیری از جابه جا یا غیر قابل دسترس شدن مواد تلاش کرد. در نشستی در یوسی برکلی، نمایندگانی از آرشیو با سایر کتابداران دیجیتالی، به منظور تکمیل Okland Archive Policy ملاقات کردند که روند انتقال مواد را بر اساس قانون یا بر اساس خواست مالکان سایت و سایرین با جزئیات بیان می کرد.

هدف از این کار، طبقه بندی جامع روش شناسی ها نیست به جای آن امیدواریم با درک روش های به کار گرفته شده در مطالعه وب و مطالعه کاربرد آن، افرادی که درصدد آرشیو کردن و نگهداری وب هستند بتوانند نیازهای جامعه علمی را هرچه بهتر درک کنند.

شبکه وب عبارت است از طیف گسترده ای از انواع مواد که تنوع آن ها را با دو بُعد می توان بهتر درک کرد. نخست اینکه خود وب یک رسانه است نه محتوا برای روشن تر شدن مطلب باید گفت که وب هم رسانه ای است که محتوا را از طریق پروتکل های متعدد (نظیر HTTP) منتقل می کند و هم «ظرفی» برای محتواست که محتوا را شکل داده و به کاربران خود ارائه می دهد. هر چند ارائه محتوا به تشخیص کاربر وابسته است و گذشته از آن توسط ابزارهای دیداری مورد استفاده (مرورگر ها و برنامه های کاربردی دیگر) شکل می گیرد. به عبارت دیگر، اگر چه محتوا ممکن است صفحه وب یکسانی باشد، دو کاربری که از مرور گر های متفاوت، یا از تنظیمات متفاوتی از یک مرورگر استفاده می کنند، ممکن است در نهایت صفحه های متفاوتی را ببینند. دیگر اینکه، بر خلاف دنیای مواد آنالوگ، همان تعریف رسانه برای ذخیره سازی وب مورد تردید است. وبگاه ها را می توان به صورت محلی ذخیره یا پنهان کرد، اطلاعات آن ها را منعکس نمود، یا ممکن است مجازی یا موقتی باشند همان طور که این ویژگی ها برای وب کم ها نیز صادق است.

به طور کلی، پژوهش درباره اینترنت و وب، توسط پژوهشگرانی با تخصص های مختلف از جمله متخصصان رشته های زبان شناسی، روزنامه نگاری، علوم سیاسی، مدیریت بازرگانی، جغرافیا، تبلیغات، ارتباطات، هنر، و دیگر رشته ها انجام می شود. از آن جا که با طیف وسیعی از سنت های آموزشی سر و کار داریم، انواع موادی که پژوهشگران از آن ها بهره می گیرند بسیار متنوع است و به همان اندازه نیز در روش های پژوهش تنوع مشاهده می شود. آن چه به عنوان تحلیل «قوم نگاری» متون وب، برای پژوهشگر بازاریابی به حساب می آید، ممکن است از دیدگاه پژوهشگر رشته ارتباطات تحلیل محتوای کیفی تعبیر گردد. بنابراین هدف دیگر این مقاله نه تنها ارائه مقوله های ثابت محتوای وب یا طرح هایی برای رویکردهای روش شناختی است - آن گونه که برای مطالعات وب به کار می روند - بلکه ارائه طیفی از تعابیر و کاربردهای این روش ها نیز مورد نظر است، به نحوی که مفیدترین روش ها را برای پژوهشگران حوزه وب به اثبات رساند.

از روش تحلیل محتوا استفاده شد تا نشان داده شود که آیا میان این سایت ها انسجام پیام و مقصود وجود دارد (وَن الست و ،والگریو 2002) ؟ محتوا، بر اساس کارکرد اصلی خود در چهار حوزه رمزگذاری و مرتب شده است ارائه اطلاعات درباره سازمان مسائل ضد جهانی سازی افزایش تعامل با مؤسسان گروه و اعضای دیگر و افزایش بسیج افراد در مورد مسائلی چون اهدای پول که در یک فراخوان اینترنتی اعلام شده است وَن الست و والگریو، از طریق تحلیل خود به این نتیجه رسیدند که در حقیقت سازمان های ضدجهانی سازی پیوسته، عموماً به وسیله وبگاه های خود و از روش های مشابهی برای آگاه نمودن و مشغول کردن اعضای خود استفاده می کردند.

مطالعه تطبیقی دیگری به تحلیل محتوای وبگاه های مربوط به ایستگاه های رادیویی پرداخت، تا چگونگی پاسخگویی صنعت تجاری رادیو را به اندازه دسترس پذیری وب جهان گستر برای ارتقای ایستگاه های خود مشخص کند. این ارزیابی با تجزیه و تحلیل انواع اطلاعات کاربر - محور، که در وبگاه های ایستگاه هایی رادیویی فراهم شده بود برای مثال نقشه های ترافیکی و لاگ های برنامه ها)، استفاده از وبگاه ها به عنوان ابزارهایی برای بهبود ایستگاه خود (مانند اطلاعات رقابتی و بایوس های DG.)، و ترکیب ویژگی های تعاملی آن ها (نظیر نشانی ایمیل ها برای اعضای ایستگاه ها و نظرسنجی های شنوندگان) به دست آمد (پیتز و هارمز 2003). این مطالعه در حوزه وب منبع اطلاعاتی ارزشمندی را برای ارزیابی کاربردهای کنونی و بالقوه وب در اختیار ایستگاه های رادیویی قرار داد.

همچنین، روش تحلیل محتوا، برای مطالعه اثرات تغییرات خط مشی های سازمانی بر وبگاه های مرتبط به کار گرفته شده است. برای مثال، خط مشی های آموزشی، اهمیت الحاق فناوری اطلاعات و ارتباطات (ICT) به مأموریت های سازمانی مدارس راهنمایی را افزایش دادند ،مطالعه ای، پیشرفت های صورت گرفته برای نیل به این هدف را همخوان با طرح ریزی انجام شده توسط شبکه ملی یادگیری در بریتانیا از طریق تحلیل محتوا در وبگاه های 150 مدرسه راهنمایی مورد ارزیابی قرار داد (هسکت و سولیوان 1999). تصاویر و متون رمزگذاری شدند، و به شناسایی وبگاه ها در یکی از مقوله های روشی زیر پرداختند: فعال، دانش آموز-محور، و منفعل. پژوهشگران از طریق این مقوله ها و تحلیل پرونده های پژوهشی مدارس، رابطه ای را بین تعهد به یکپارچگی فناوری اطلاعات و ارتباطات (ICT) و سرمایه های سازمانی درک نمودند؛ هر قدر سرمایه اقتصادی و اجتماعی مدرسه بیشتر باشد احتمال اینکه محتوای وبگاه آن منعکس کننده گرایش های مثبت و فعال الحاق فناوری اطلاعات و ارتباطات با مأموریت های مدرسه باشد بیشتر خواهد بود.

کمیسیون بازرگانی فدرال امریکا، از روش تحلیل محتوا، برای ارزیابی پیاده سازی برنامه های حفظ امنیت اطلاعات و حریم خصوصی پیوسته بر روی وبگاه های بازرگانی استفاده کرده است (Milne and Culnan). مطالعه انجام شده از سوی این کمیسیون، دارای تحلیل دراز مدت چهار نظر سنجی وب با گستره زمانی 1998 تا 2001 بود از معیارهایی نظیر حفظ یا حذف اعلان ها، با توجه به افشای اطلاعات بازدیدکنندگان با اشخاص ثالث و استفاده از «کوکی ها»، مجموعه ای از اطلاعات کاربران به غیر از نشانی ایمیل ها، و به کارگیری امنیت اطلاعاتی در سایت ها مورد استفاده قرار گرفت تا مشخص شود که آیا

ص: 77

وبگاه ها ملزومات شیوه های استفاده بی طرفانه از اطلاعات را تأمین می نمایند؟ مقایسه نتایج به دست آمده از تحلیل انجام شده در سال 2001 با تحلیل های سال های پیشین نشان می دهد، در میان وبگاه های تجاری که به گردآوری اطلاعات شخصی کاربران خود دست می زنند، روند افزایشی در اجرای شیوه های استفاده بی طرفانه از اطلاعات وجود داشته است.

به منظور ارائه بازخوردی جامع برای موزه های مورد بحث به پاسخ های کیفی و کمی نیاز بود. کارزول و ونکاتش (2002)، با استفاده از بررسی وب محور توانستند پاسخ های ارزیابی بیش از 500 دانشجوی مقطع کارشناسی را که در کلاس های پیوسته غیر همزمان شرکت داشتند درخواست کنند. آن ها حمایتی نسبی را در مورد فرضیه های خود یافتند مبنی بر اینکه پذیرش، و در آینده قصد استفاده از فناوری در دوره ای پیوسته و غیر همزمان می تواند به صورت مثبت متأثر از گرایش ها و درک دانشجویان از فناوری باشد. در تمامی موارد از جمله GVU، مزایای استفاده از بررسی مبتنی بر وب آشکار بود: جمعیت های علاقه مند در بررسی ها همان کاربران وب بودند، و داده های گردآوری شده با فعالیت های وب ارتباط مستقیم داشت.

کوکلاکس کلان (1) و اتحاد ملی سازمان نئونازیسم که مقاصد ترغیبی را دنبال می کردند (2003 Duffy). در این مورد، دافی، از روش انتقادی بلاغی به نام تحلیل موضوعی فانتزی استفاده کرد که بر «نظریه همگرایی نمادین» استوار است. همانطور که دافی مشخص کرد، نظریه همگرایی نمادین «نظریه کلی علم معانی است که در آن، گروه ها تصوراتی را درباره گروه و گروه های خارج شکل می دهند و به اشتراک می گذارند، و در نتیجه هویت مشترکی را به وجود می آورند» (صفحه 293) (2) نویسنده، به وسیله تحليل متون برگزیده موجود در در وبگاه هر گروه توانست گزارش های بلاغی متعددی را شناسایی کند که «ادعای انصاف و عدالت»، «نظم طبیعی و رستاخیز انسان» و «ساکنان اولیه زمین نامیده شدند تا مفهوم جدیدی را به نژاد انتقال دهد» از آن جمله هستند (صفحه 295-305).

نامطلوب به خاطر اقدامات تروریستی و سرمایه گذاری های تجاری دیگر محکوم شد - برخورد کردند. پورسل و کورداس اظهار می دارند که اسلوونی تلاش می کند تا هویت از دست رفته خود را از طریق متون و تصاویر در وبگاه دولتی احیا کند که نوعی راهکار بلاغی محسوب می شود. اما بر اساس نتیجه گیری آن ها این سایت، سرانجام بخشی از تلاشی مستمر برای مذاکره موقعیت [اسلوونی]» در «گفتمان جهانی» است.

شندلر (1998)، بیان کرده است که علاوه بر وبگاه های سازمانی، صفحه های شخصی نیز ممکن است شکلی از گفتمان باشند. شندلر در تحلیل خود از متون وب تولید شده توسط نوجوانان ولز از طریق مصاحبه با سازندگان سایت ها، روش های بسیاری را بررسی کرد که بیان گر تصور نوجوانان از مخاطبان شان بود و درباره مرز بین فضاهای عمومی و خصوصی زندگی شان صحبت می کردند. بسیاری از نویسندگان جوان وب بیان کردند که سعی دارند تا در سایت های خود با مخاطبانی که احتمالا علاقه های خود را به اشتراک می گذارند ارتباط برقرار کنند در حالی که افراد دیگر وبگاه را چیزی توصیف می کنند که صرفاً برای خودشان ایجاد کرده اند برخی ،دیگر انگیزه ای پیدا می کنند تا بخشی از این اینترنتِ «پهناور» باشند و عقایدشان را درباره زندگی با دیگران به اشتراک بگذارند.

است، گرفتار شده است. در هر دو مورد «اندام جنی به عنوان کانون معنا، محل کمال، و ریشه معنی واحدی از جنی کم عمل می کند» (صفحه 449).

پژوهشگران دیگر، از تحلیل دیداری برای ارزیابی کاربرد اینترنت از سوی رسانه های خبری برای ارائه و توزیع تصویر استفاده کرده اند. فِر و پارکز (2001)، تحلیل انتقادی را از تصاویر مربوط به بحران نسل کشی روآندا در سال 1994 ارائه می دهند که رسانه های خبری آمریکا از طریق تلویزیون و اینترنت در دسترس عموم قرار دادند. پوشش زمینی این بحران، که در آن دوربین ها تصاویری را از پناهندگان و حشت زده گرفته بودند و امدادگران غربی سفید پوست به آن ها یاری می رساندند، و نیز تصاویر ماهواره ای از مردمی که دسته جمعی از روآندا می گریختند، با مخالفت روبه رو شدند، زیرا از قربانیان این بحران اختیار را سلب کرده بود. [آن ها]موقعیت سیاسی این واقعه را بیش از اندازه ساده انگاشته بودند و بیننده را از مردم درگیر و مسائل موجود دور نگه می داشتند. فِر و پارکز، می افزایند که استفاده از وبگاه ها برای ارائه و پخش تصاویر روآندا بخشی از روند گسترده تر سلطه و مالکیت فناوری های دیداری از سوی رسانه های خبری در غرب است. در واقع، محتوای تولید شده به مصرف مخاطبان غربی یعنی کاربران اصلی اینترنت می رسد. فِر و پارکز، به این نتیجه رسیدند که انتخاب تصاویر از سوی رسانه های خبری در پوشش خبری خود از بحران روآندا به همراه پخش گسترده تصاویر از طریق فناوری های رسانه ای غرب دست به دادند تا «آشفتگی» موجود امریکا را از طریق فرهنگ و سیاست آفریقا تقویت کنند (صفحه 42).

دو مطالعه یادشده، توجه خاصی به تصاویر مورد استفاده در وبگاه ها، به منظور انتقال تفاسیر شان مبذول داشته اند. اما تحلیل های متون دیداری و گفتاری، جدا از منحصر به فرد بودن دو جانبه شان ، معمولاً توسط پژوهشگران تلفیق می گردند. همان گونه که در مطالعه هسکچ و سالیوان، درباره هویت بخشی مدارس از طریق تصاویر و متن ها در وبگاه ها، یا مطالعه و ارنیک درباره وبگاه های مقلد مربوط به مبازرات انتخاباتی و استفاده آن ها از متون گفتاری و غیر گفتاری برای پیشبرد دستور جلسات سیاسی ویژه مشاهده گردید. طراحی دیداری وبگاه ها، از قبیل استفاده از تصاویر و متن ها، و گذاشتن آن ها در صفحه وبگاه، نمونه دیگری از تلفیق این روش هاست (2000 Rivett). بررسی موردی وبگاه «نیوبیتل» ولکس واگِن (1) ، در مورد صفحه آرایی برگزیده، را که در صفحه اصلی این سایت قرار داشت مورد بحث قرار داد، و نویسنده سایت آن ها را با قراردادهای طراحی مجلات ناپیوسته مقایسه نمود. به علاوه، این سایت، با استفاده از یک پیش زمینه سفید، «هویت دیداری» پیوسته شرکت را منتقل می کند (صفحه 50). تحلیل دیداری وبگاه نیوبیتل مکمل تحلیل متنی است. در صورتی که داستان «حمله بیگانگان» در سرتاسر صفحه هایش به چشم می خورد. سپس، سایت ولکس واگِن با طرح دیداری سایت دانشگاهی دانیل شندلر مقایسه گردید. سایت دانشگاهی دانیل شندلر، که مملو از متن بود بر هدف خود به عنوان منبع اطلاعات تأکید می کرد. در این سایت از تصویر کلاسوری به عنوان تصویر زمینه این سایت استفاده شد که بر ماهیت آموزشی آن تأکید می کند.

ص: 82

به کار کرد «تاریخچه (1) » هستند که نشانی های اینترنتی را که شخص در هنگام بازدید از سایت های شبکه به آن ها دسترسی داشته است، ذخیره می کنند. تاچر و گرینبرگ (1997)، از این کار کرد برای تحلیل رفتارهای مرورگرانه 23 نفر طی یک دوره 6 هفته ای استفاده کردند. آن ها به دنبال الگوهایی در بازدید صفحه های وب بودند. این دو پژوهشگر، متوجه شدند که تقریباً دو سوم بازدیدهای صفحه های وب از سوی آزمودنی ها، صفحه هایی هستند که قبلاً بازدید شده بودند (صفحه 112). همچنین، تعداد صفحه هایی که اغلب توسط مخاطبان دوباره بازدید می شوند، نسبتاً کم بودند. تاچر و گرینبرگ، فرض می کنند که کارکرد «بازگشت (2) » در مرورگرهای وب، که 30 درصد از فعالیت های مرورگرایانه آزمودنی ها را تشکیل می دهد، ممکن است عامل مؤثری برای علاقه کاربران اینترنت برای بازدید دوباره صفحه ای واحد در وب باشد (صفحه 131).

علاوه بر شبکه های اجتماعی مطالعهٔ شبکه های مدارک، به دلیل بزرگی شبکه وب رو به فزونی رفته است، و این بدان معناست که اَشکال گوناگون تحلیل علمی از شبکه اجتماعی امکان پذیر است. تحلیل شبکه های مدارک می تواند فرصت هایی را برای فراتحلیل محتوا به وجود آورد. هنزینگر و لورنس (2004)، درباره روش های نمونه برداری از صفحه های وب به بحث و گفت و گو می پردازند تا «به طور خودکار نمونه وسیعی از علایق و فعالیت های انجام گرفته در این دنیا را ... به وسیله تجزیه و تحلیل ساختار پیوند وب و چگونگی روی هم انباشته شدن پیوندها در طول زمان تجزیه و تحلیل کنند» (صفحه 5186). آیزن و همکارانش (2004)، بر این ادعا هستند که استفاده از داده ها در وبگاهی با ترافیک بالا می تواند اطلاعاتی را درباره وقایع خارجی و احساسات ناگهانی در دسترس عموم قرار دهد که ممکن نیست به تنهایی از تحلیل محتوا و ساختار پیوند دسترس پذیر شود (صفحه 5254).

وب فراتر رفته است (Whelan 2004). احتمالاً مسائلی که پژوهشگران حوزه مطالعات اینترنت مدت ها به بحث و تبادل نظر گذاشته اند، و نیز مطالعات انجام شده بر روی ارتباطات با واسطه رایانه، با توجه به تقابل داده های عمومی با داده های خصوصی، در آینده بسیار نزدیک در میان پژوهشگران حوزه مطالعات وب و حرفه مندان حوزه آرشیو وب و دیگر مواد الکترونیکی از اهمیت بالایی برخوردار خواهند شد.

Society, 12(3), 267-289

3. Bloustein, G. (2002). Fans with a lot at stake: Serious play and mimetic excess in Buffy the Vampire Slayer. European Journal of Cultural Studies, 5(4), 427- 449

4. Carswell, A. D. Venkatesh, V. (2002). Learner outcomes in an asynchronous distance education environment. International Journal of Human-Computer Studies, 56, 475–494

5. Chandler, D. Roberts-Young, D. (1998). The construction of Identity in the Personal Homepages of Adolescents. Retrieved April 15, 2002 from http://www.aber.ac.uk/media/ Documents/short/strasbourg.html

6. Creswell, J. W. (1998). Qualitative inquiry and research design. Thousand Oaks, CA: Sage

7. Duffy, M. E. (2003, July). Web of hate: A fantasy theme analysis of the rhetorical vision of hate groups online. Journal of Communication Inquiry, 27(3), 291–312

8. Ess, C. (2002). Ethical decision making and Internet research: Recommendations from the AoIR working committee. Association of Internet Researchers. Retrieved July 12, 2004, from http://www.aoir.org/reports/ ethics.pdf

9. Fair, J. E. Parks, L. (2001). Africa on Camera: Television news coverage and aerial imaging of Rwandan refugees. Africa Today, 48(2), 34–57

10. Foss, S. K. (1996). Rhetorical criticism: Exploration and practice. Prospect Heights, IL: Waveland

11. Garton, L., Haythornthwaite, C., Wellman, B. (1997). Studying online social networks. Journal of Computer-Mediated Communication, 3 (1). Retrieved April 4, 2004 from http://www.ascusc.org/jcmc /vol3 /issuel / garton.htm

12. Geertz, C. (1973). The interpretation of cultures. New York: Basic Books Graphic, Visualization and Usability (GVU) Center (1998). 10th WWW User Survey. Atlanta, GA: Georgia Institute of Technology. Retrieved March 25, 2004 from http://www. cc.gatech.edu/gvu/user-surveys/survey-1998-10/.

13. Halavais, A. (2000). National Borders on the World Wide Web. New Media Society, 1(3), 7-28

14. Haraway, D. (1991). Simians, cyborgs, and women: The reinvention of nature. New York: Routledge

15. Henzinger, M. Lawrence, S. (2004). Extracting knowledge from the World Wide Web. Proceedings of the National Academy of Sciences of the United States of America,

ص: 87

101(1), 5186-5191

16. Hesketh, A. J. Selwyn, N. (1999). Surfing to school: The electronic reconstruction of institutional identity. Oxford Review of Education, 25(4), 501-520

17. Howard, P. N. (2002). Network Ethnography and the Hypermedia Organization: New Media, New Organizations, New Methods. New Media and Society, 4(4), 550-574

18. Jimroglou, K. M. (1999). A Camera with a view: JenniCam, visual representation, and cyborgsubjectivity. Information, Communication and Society. 2(4), 439–453

19. Kroeber, A. (2001). Postmodernism, Resistance, and Cyberspace: Making Rhetorical Spaces for Feminist Mothers on the Web. Women's Studies in Communication, 24(2), 218-240

20. Lee, W., Hong, J., Lee, S. (2003). Communicating with American consumers in the post 9/11 climate: An empirical investigation of consumer ethnocentrism in the United States. International Journal of Advertising, 22, 487-510

21. McQuail, D. (2000). McQuail's mass communication theory (4th ed.). London, UK: Sage

22. Miller, D. Slater, D. (2000). The Internet: An ethnographic approach. Oxford, UK: Berg

23. Milne, G. R. Culnan, M. J. (2002). Using the content of online privacy notices to inform public policy: A longitudinal analysis of 1998-2001 US Web surveys. The Information Society, 18, 345-359

24. O'Neill, E. T., Lavoie, B. F., Bennett, R. (2003). Trends in the evolution of the public Web, 1998-2002. D-Lib Magazine, 9(4). Retrieved March 29, 2004 from http://wcp. oclc.org/.

25. Park, H. W. (2003). Hyperlink network analysis: A new method for the study of social structure on the Web. Convergence, 25(1), 49–61

26. Pitts, M. J. Harms, R. (2003). Radio websites as promotional tools. Journal of Radio Studies, 10(2), 270-282

27. Purcell, D. Kodras, J. E. (2001). Information technologies and representational spaces at the outposts of the global political economy. Information, ommunication and Society, 4(3), 341-369

28. Rivett, M. (2000). Approaches to analyzing the Web text: A consideration of the Web site as an emergent cultural form. Convergence, 6(3), 34-56

29. Sarraf, S. (1999). A survey of museums on the Web: Who uses museum Websites?

ص: 88

Curator, 42(3), 231-243

30. Silver, R. C., Holman, E. A., McIntosh, D. N., Poulin, M., Gil-Rivas, V. (2002). Nationwide longitudinal study of psychological responses to September 11. Journal of the American Medical Association, 288(10), 1235–1244

31. Spooner, T. (2002). Internet use by region in the United States. Pew Internet American Life Project. Washington, DC. Retrieved March 25, 2004 from http://www.pewinternet. org/reports/pdfs/ PIP-Regional-Report- Aug-2003.pdf

32. Tauscher, L. Greenberg, S. (1997). How people revisit Web pages: Empirical findings and implications for the design of history systems. International Journal of Human- Computer Studies, 47, 97-137

33. Van Aelst, P. Walgrave, S. (2002, December). New media, New movements? The role of the Internet in shaping the 'anti-globalization' movement. Information Communication and Society, 5(4), 465–493

34. Warnick, B. (1998). Appearance or reality? Political parody on the Web in Campaign '96. Critical Studies in Mass Communication, 15, 306–324

35. Whelan, D. (2004, 16). Google Me Not. Forbes, 174(3), 102–104

ص: 89

نیز محسوب می شود. به عنوان مثال، در کشورهای توسعه یافته، حجم وب ملی شامل تعداد وبگاه های مختلف و همچنین تنوع خدمات قابل عرضه در این رسانه، بسیار زیاد است. همچنین کیفیت و به روز بودن اطلاعات عرضه شده نیز در دامنۀ وب این قبیل کشورها در مقایسه با دیگر کشورها بسیار بهتر است.

از سوی دیگر، با توجه به اینکه زیر ساخت اصلی اشاعه دولت الکترونیک، محیط وب می باشد، لذا مطالعه و شناسایی ویژگی های این محیط، کمک شایانی به انجام برنامه ریزی مناسب جهت تدوین سیاست های اجرایی جهت تحقق اهداف دولت الکترونیک طی مراحل مختلف، خواهد کرد. با درک این مطلب، در این مقاله سعی می شود تا به ویژگی های اصلی وب ایران پرداخته شود. شاخص های مورد مطالعه، به گونه ای انتخاب شده است تا بتوان از آن ها در جهت بهبود عملکرد سیستم های جستجوی وب، بهره گرفت.

با توجه به مسائل فوق در این مقاله سعی می شود تا حد ممکن، محتوای وب فارسی کشور را به صورت خودکار، تحلیل و ارزیابی کرد (ابزار نظارت خودکار) تا در مقاطع زمانی مختلف، بتوان عمل ارزیابی را با کمترین هزینه، تکرار نمود. لازم به ذکر است که در این مقاله حدود 11 هزار وبگاه با پسوند IR، که شامل تقریباً دو میلیون صفحه است پردازش و تحلیل شده اند. البته تعداد وبگاه های فارسی بیش از این مقدار است اما به دلیل دشواری یافتن وبگاه های فارسی زبان، در این پژوهش به وبگاه های ثبت شده در دامنه IR بسنده شده است. علت این دشواری این است که همانطور که در قسمت نتایج، به تفصیل ذکر خواهد شد. متاسفانه دامنه IR به عنوان تنها دامنه فارسی زبان نیست و بسیاری از وبگاه های فارسی زبان، در دامنه های مختلف و حتی غیر مرتبطی از قبیل .com, net, org و دامنه های دیگر ثبت شده اند.

همانگونه که پیش از این ذکر شد، هدف اصلی این مطالعه، تعیین وضعیت فعلی وب فارسی است.

بر این اساس، هدف نهایی، استخراج شاخص های زیر از ”وب ایران“ می باشد:

1. پاسخگویی به سؤالات کلی درباره وب ایران از جمله:

1-1. درصد پیوندهای معتبر چقدر است؟ تعیین این شاخص بطور ضمنی، نرخ تغییرات وب را نیز تعیین خواهد کرد و زمان بندی برای خزشگر وب را دقیق خواهد کرد.

2-1. توزیع صفحات وب فارسی از لحاظ محتوا، چگونه است؟ یعنی چه حجمی از محتوای وب در کلاس های علمی، تجاری، روزنامه، خبر، وبلاگ و غیره، قابل طبقه بندی است؟

3-1. ساختار محتوایی صفحات وبگاه ها چگونه است؟ بطور مشخص می خواهیم بدانیم که:

• درصد کدینگ های زبانی مختلف استفاده شده نظیر 1256 - Windows- 1252, Windows و 8-UTF به چه صورت است؟ بدین ترتیب مشخص خواهد شد که تبدیل کدینگ ها در سیستم های بازیابی وب چقدر حائز اهمیت است؟

• چه کسری از صفحات، عنوان (1) مناسب دارند؟ وجود صفحات با عنوان مناسب و گویا، موجب بهبود کیفیت بازیابی توسط سیستم و نیز سهولت دسترسی توسط کاربران خواهد شد.

ص: 92

4-1. فایل های غیر متنی مانند Doc PPT PDF و Image چند درصد از صفحات را تشکیل می دهند؟

5-1. نرخ به روزآوری، تغییر، ایجاد (عمر صفحه) چقدر می باشد؟ استخراج این اطلاعات، نرخ تغییرات وب را تعیین خواهد کرد و موجب برنامه ریزی و زمان بندی برای خزش گر وب را فراهم خواهد آورد.

6-1. سرعت دسترسی به وبگاه چقدر است؟ این آگاهی نیز در تنظیم عملکرد خزشگر وب موثر خواهد بود.

7-1. تعداد دسترسی به وبگاه ها و صفحات در مقاطع زمانی مختلف یا بعبارت دیگر الگوی دسترسی به وبگاه ها و صفحات چگونه می باشد؟

8-1. تعداد كل صفحات فارسی، میانگین تعداد صفحات هر وبگاه و حجم آن ها چقدر است؟

9-1. تعداد لغاتی که در تمام صفحات محاسبه شده چقدر می باشد؟

10-1. چند درصد صفحات شامل هر دو محتوای فارسی و انگلیسی است؟

لازم به ذکر است در این فاز به دلایلی مانند پیچیدگی کار استخراج شاخص های مربوط به فازهای تراکنش و تبدیل به کارهای آینده موکول شده است. نتایج این مقاله را می توان در تعریف و پیاده سازی پروژه هایی مانند موتور جستجوی ملی و درگاه دولتی استفاده کرد. به علاوه این پروژه در تدوین راهکارهای آینده جهت تحقق سریع دولت الکترونیک در کشور مفید فایده خواهد بود.

ایران توجه گردیده است.

در تحقیق صورت گرفته در مرجع [10]، ساختار کلی گراف وب جهانی مورد مطالعه قرار گرفته است. بررسی های صورت گرفته حاکی از وجود ساختاری موسوم به مدل پاپیونی (1) در مورد گراف وب است. بعنوان مثال، طی بررسی انجام شده در سال 2000 میلادی روی حدود دویست میلیون صفحه وب، همانگونه که شکل شماره یک نشان می دهد، گراف وب، شامل چهار بخش کلی است که عبارتند از:

الف- بخش هسته مرکزی (2) که حدود 25% کل وب را تشکیل می دهد.

ب- بخش ورودی (3) که لینک هایی به بخش هسته مرکزی دارد و حدود 25% کل وب را تشکیل می دهد.

ج- بخش خروجی (4) که لینک هایی از بخش هسته مرکزی دارد و حدود 25% کل وب را تشکیل می دهد.

د- بخش های پراکنده که یا به صورت جزایر پراکنده (و بعضاً به سختی قابل دسترس) هستند یا واسط هایی بین بخش های ورودی و خروجی هستند. این قسمت نیز حدود 25% کل وب را تشکیل می دهد.

عکس

شکل1. مدل پاپیونی گراف وب

یکدیگر، نشان می دهد.

همان گونه که در شکل شماره دو دیده می شود، ابتدا یک خزشگر وب، بر اساس یک لیست اولیه از وبگاه های ثبت شده در دامنه IR که از قبل تهیه شده است و با توجه به پارامترهای تنظیم عملکرد آن از قبیل عمق خزش، حداکثر صفحات وبگاه و غیره، خزش را با توجه به گراف حاصل از پیوندها، انجام می دهد و صفحات بدست آمده را در یک مخزن موقت، شاخص بندی و ذخیره می کند. در مرحله بعد، این مخزن توسط واحد تحلیل گر گراف وب، مورد بررسی قرار می گیرد و آمارهای مختلفی را مورد ویژگی های گراف متناظر از قبیل قطر گراف، متوسط فاصله بین هر دو گره و غیره، استخراج می کند.

عکس

شکل2. معماری کلی سامانه خودکار ارزیابی وی ایران

از سوی دیگر، واحد تحلیل گر محتوا با استفاده از تجزیه کنندۀ Parser (1) صفحات این مخزن را بررسی نموده و محتوا و داده های توصیفی آن ها را استخراج می کند. این قسمت که توسط زبان جاوا پیاده سازی شده است، بصورت مستقل و از طریق پارامترهای قابل تنظیم اجرا می شود ورودی این بخش کل صفحات HTML است که شامل برچسب های مختلف و نیز نویسه (2) های موجود در صفحه می باشد. شایان ذکر است که در هنگام جمع آوری صفحات از وب توسط خزشگر وب بصورت خودکار به هر صفحه، یک شناسه عددی نسبت داده می شود که آن صفحه را بصورت یکتا مشخص می کند. جدول شماره یک، نمونه ای از ورودی های تجزیه کننده را نشان می دهد.

محتوای استخراج شده از صفحات برای پردازش در اختیار واحد تحلیل گر واژگان، قرار داده می شود تا کلمات فارسی را از آن استخراج کند و در یک Lexicon ذخیره نماید. همچنین از اطلاعات بدست آمده می توان برای استخراج آمار متنوع از کلمات استفاده کرد.

ص: 95

بخش مهم دیگر این معماری، واحد تهیه گزارش است. داده های توصیفی استخراج شده از صفحات ورودی به عنوان ورودی به این واحد، ارسال می شود تا مورد بررسی قرار گیرد. در نتیجه این فرآیند آمارهای ارزشمند مختلفی نظیر درصد استفاده از کدینگ های مختلف توزیع صفحات و وبگاه ها در طبقه بندی های مختلف سرویس های ارائه شده نظیر جستجو، امنیت و غیره بدست می آید.

عکس

جدول1. نمونه ای از ورودی های تجزیه کننده به ازای وبگاه http://www.whc.ir

عکس

شکل 3. تعداد اسناد در وبگاه ها

شکل4. توزیع تجمعی اسناد در وب گاه ها

شکل 5. توزیع تجمعی حجم محتوای وب گاه ها

شکل شماره شش نیز میانگین سن صفحات موجود در وبگاه ها را نشان می دهد. همچنین رابطه بین تعداد اسناد و سنِ یک سایت در شکل شماره هفت، نشان داده شده است.

شکل 6. میانگین سن صفحات وب گاه ها بر حسب ماه

شکل 7. تعداد اسناد بر حسب میانگین سن آن ها

ص: 98

شکل شماره هشت، توزیع عمق وب گاه ها را نشان می دهد. درصد قابل توجهی از وب گاه ها دارای عمق 5 (23%) می باشند. شایان ذکر است که با توجه به شاخص های بدست آمده از وب گاه ها نظیر عمق، تعداد صفحات، حجم محتوا و سن صفحات، به راحتی می توان یک سایت را مدل سازی کرد. با داشتن یک مدل مناسب از وبگاه ها می توان الگوریتم های مختلف را به راحتی تحت آزمون قرار داد.

عکس

شکل 8. بیشینه عمق وب گاه ها

عکس

شکل 11. عمر صفحات بر حسب سال

شکل شماره دوازده، عمق صفحات را نشان می دهد. با توجه به شکل، اکثر صفحات در عمق 4 و 5 قرار دارند. قابل توجه است که عمق ،صفحات دارای توزیع پواسون می باشد.

حجم محتوای صفحات که یک توزیع تقریباً خطی است، در نمودار شماره 13 نشان داده شده است. بیشتر صفحات دارای حجم بین 10 تا 100 کیلوبایت را دارا می باشند.

شکل 12. عمق صفحات (توزیع پواسون)

شکل 13. حجم محتوای صفحات بر حسب کیلو بایت (تقریباً خطی)

شکل شماره چهارده رابطه بین سن و حجم صفحات را نشان می دهد. همچنین رابطه بین عمق با سن و حجم صفحه در شکل های 15 و 16 نشان داده شده است. با داشتن شاخص های فوق (عمر، حجم، عمق)، به راحتی می توان مدل مناسبی از وب ایران بدست آورد.

ص: 100

عکس

شکل 14. سن صفحات بر حسب حجم محتوای صفحات

شکل 15. سن صفحات بر حسب عمق

شکل 16. عمق صفحات بر حسب حجم آن ها

عکس

جدول 4. آمار نوع صفحات پویای کشف شده

جدول 5. آمار درصد صفحات ایستای کشف شده

جدول 6. آمار اسناد صوتی کشف شده

جدول 7. آمار ویدیوی کشف شده

ص: 102

عکس

جدول 8. آمار فایل های تصویری کشف شده

جدول 9. آمار نرم افزارهای کشف شده

نرخ تغییرات شاخص های مختلف تعیین گردد. این اطلاعات، جهت گیری تغییرات وب فارسی را نشان خواهد داد و کمک شایانی به تصمیم گیری های کلان حوزه فناوری اطلاعات خواهد کرد. در این عین حال، در نظر است تا با بررسی های بیشتر در رابطه با محتوای صفحات، اطلاعات بیشتری نظیر متوسط طول حروف در کلمات فارسی، متوسط تعداد کلمات در اسناد، مشخصات گراف (مانند توزیع درجه های ورودی و خروجی) برای زبان فارسی و آمارهای متنوع دیگر، تعیین گردد.

Technology, 54(8): 706-712.

Thelwall, M. and A. Zuccala. 2008. A university-centred European Union link analysis. Scientometrics, 75(3): 407-420.

Shestakov, D.2011.Sampling the national deep web, database and expert systems applications. Lecture Notes in Computer Science, 6860: 331-340.

ص: 105

- آپوکالیپس (1) : آرشیوها تجزیه می شوند و استاندارد نشده باقی می مانند، به سختی بازیابی شده و در دسترس قرار می گیرند و در نتیجه مفید نیست و به سختی استفاده می شوند.

- انفرادی: در این سناریو، آرشیوها مانند یک هوش هم بسته منفرد که قادر است بین اشیای رقومی و افراد ارتباط برقرار کند، غیر ضروری می شوند.

- آرشیوهای غبارآلود: در این سناریو، جامعه آرشیوی وب هرگز پاسخگوی سؤال (که چی؟) نیست آرشیوهای وب به طور گسترده، مورد استفاده قرار نمی گیرد، بلکه در حال جمع آوری غبارهای و رقومی هستند.

این سناریوها ما را به تفکر دربارهٔ تعامل بین آرشیوها پژوهشگران و محققان در روش های گوناگون قادر می سازد.

بخش 2. انواع مختلف پژوهش هایی را توصیف می کند که در مورد وب پویا در حال انجام هستند. فنی که حالا به طور گسترده ای، بیشتر از استفاده از آرشیوهای وب مورد بهره برداری قرار می گیرد.

مقصود این است که استفاده از وب پویا می تواند الهام بخش تفکر درباره کاربردهای بالقوه آرشیوهای وب باشد. این کاربردها عبارت اند از:

مصورسازی: که از طریق آن پیوندها، نه تنها بین وبگاه ها، بلکه میان انواع مختلف اطلاعات نیز

می توانند ایجاد شوند، همانگونه که سازمان ها و دیدگاه های کلی آرشیوها را توانمند می سازد.

سنجش های دگرساز (2) : دانشمندان حوزه علم سنجی شروع به کسب داده ها از منابع مجزا، از طریق تحلیل های استنادی نموده اند. به طور مثال: بلاگ های محققان و پیوندهای بین این بلاگ ها.

فنون دیگری، همچون نقشه برداری محتوای ایجاد شده توسط کاربر و تحلیل های شبکه اجتماعی در اینجا ارائه شده است.

بخش 3. چالش های فعلی و پیش رو را پوشش می دهد. نخستین قسمت از این بخش روش های تغییر وب، پیشنهادهایی در این مورد و راه حل های میان مدت و دراز مدت برای مقابله آرشیوها با این تغییرات را توصیف می نماید. این بخش با پیشنهادهایی درباره گام های پیش رو پایان می یابد.

لاهه (1) ، هلند در تاریخ 10-9 می 2011 ارائه شده است.

این گزارش، در یک نشست جامع، تلخیص و در یک کارگاه نیز ارائه شده است. همچنین، از طریق پست الکترونیک برای جامعه محققان اینترنت و جامعه کتابداری و اطلاع رسانی ارسال شده است. هدف این بود که پیش نویس گزارش منجر به تهییج و ترغیب شود، افکار را برانگیزد. برای اینکه آرشیویست های وب و پژوهشگران را به خروج از سکون وادار کند. افراد مشابه و دیگران را به فعالیت وادار کند. برای ایجاد تغییر، پیش از این برای بحث و تبادل نظر ایجاد انگیزه شده است؛ که فعالیت را به سوی تغییری ملموس ترغیب می کند.

چرا تغییر ضروری است؟ وقتی که IIPC توجه ما را به اجرای این پروژه جلب کرد، این ضرورت که جامعه آرشیوی وب و IPC به طور ویژه، باید روش هایی نوین برای تشویق کاربران و کاربردهای جدید آرشیوهای وب و مدل های جدید آرشیوسازی وب و سبک های جدید تعامل با محققان بررسی نماید، احساس می شد.

این مباحث، پیش تر در قالب دو گزارش به وسیله JISC (2) تدوین شده بود که بر روی شرایط فعلی هنر آرشیوهای وب (دو گرتی و دیگران، 2010) (3) و فرصت های سرمایه گذاری جدید متمرکز شده بود.

بعضی از نتایج این دو مقاله در ادامه آمده است، اما موضوعات عمومی سرتاسر اثر این بود که هنوز فاصله و شکافی بین جامعه پژوهشگران بالقوه ای که دلیل خوبی برای استفاده، تحلیل و اشتراک آرشیو وب دارند و جامعه واقعی (به طور کلی هنوز کوچک) پژوهشگران که در حال حاضر فعالیت می کنند وجود دارد (دو گرتی و دیگران، 2010 ، ص.5). تجربه کار ما در این گزارش و صحبت با اعضای آی.آی. پی.سی. و جامعه پژوهشگران اینترنتی اندکی باعث تغییر نظر ما در مورد این موضوع شده است، مسلماً ما از اینکه همیشه کاربردهای آرشیوهای وب به خوبی مورد بحث قرار گیرد و جامعه پژوهشی هنوز به صورت معنی داری به آن دست نیافته اند، اطمینان بیشتری یافته ایم. این گزارش، به نوبه خود این [دیدگاه] را کمی تغییر خواهد داد، اما اگر پاره ای از پیشنهادهای ارائه شده در آن به طور جدی توسط جوامع مرتبط، به کار گرفته شود احتمال اینکه در آینده آرشیوهای منابع اینترنتی برای پژوهشگران اهمیت بیشتری یابد، افزایش خواهد یافت.

این گزارش، در ابتدا به منظور اینکه افکار نظری را به آینده احتمالی وب معطوف کند، به صورت یک تمرین که ما را وارد به تفکر درباره آن چه که برای انجام در حال حاضر به آن نیاز داریم و اطمینان از اینکه بتوانیم به صورت مطمئن و پر ثمر از آرشیو وب در آینده استفاده کنیم، شکل یافته است. سپس، ما بر روی روش های ابزاری مورد استفاده برای پژوهش وب پویا تمرکز می کنیم، همانند یک اشاره گر بر روی انواع چیزهایی که می تواند برای کمک در فهم وب آرشیوی، گسترش یابد. در ادامه، ما بر روی یک سری از موضوعات و سؤالاتی که پژوهشگران می خواهند یا ممکن است بخواهند برای استفاده از وب آرشیوی

ص: 109

به آن ها بپردازند تمرکز می کنیم. در پایان این بخش، برخی از چالش های انفرادی، سازمانی و سازمان های بین المللی که می توانند برای افزایش توانایی ما برای توضیح این موضوعات و پاسخ به این سؤالات، مورد توجه قرار گیرند را تبیین می نماییم.

ما گزارش مذکور را با نتایجی بر اساس آن چه از این تجربه آموخته ایم، به پایان می بریم.

حالت، محیط های مجازی کاملاً همه جانبه از نوع غار (1) (شرودر ، 2011) می توانند همکاری گروه های توزیع شده فضایی (مکانی) افراد را پشتیبانی کرده و امکان اشتراک مؤثر و تعامل اجتماعی را ایجاد کنند. از این دیدگاه ، تمامیت آرشیوهای وب می تواند به صورت یک کلیت بزرگ در نظر گرفته شود، که افراد می توانند در آن به صورت منفرد یا گروهی سیر نمایند. وب فعلی (و به همین ترتیب آرشیوهای وب) درک ناچیزی از سازماندهی فضایی ارائه می دهند و نشانه های مناسب فضایی یا قابلیت های دیگر کمک به مرور و کاوش را محدود (سلب) می کنند. بر خلاف کتابخانه فیزیکی، اسناد رقومی در محیط جدا سازی شده از یکدیگر نگهداری می شوند، در مکانی که اسناد در دنیایی سه بعدی سازماندهی می شوند تا امکان مرور آن ها به واسطه گردش (جست و جو) در محیط را میسر ساخته و نشانگرهایی همچون همجواری فضایی (مکانی) به کشف آن ها کمک می کنند.

- در حالی که ابزارهای وب نوشت نویسی اجتماعی پدید می آیند، آرشیو های وب، فاقد سایر ابزار های همکاری هستند، مانند موتورهای پیشنهادی (مخزن پیوسته آمازون مثال عالی از این امکان است).

- به طور فزاینده ما نیازمند محتوای آماده شده توسط کاربران (وب 2) در مقیاسی بزرگ (فیس بوک (2) ) هستیم. اما ساختاری حیرت انگیز بر اساس چنین محتوای سازمان نیافته نامتجانس و ذاتاً سازمان نیافته ای، در این مقیاس با مشکل مواجه است. انجام آن به وسیله ماشین از نظر فناوری بسیار چالش برانگیز است، بخشیدن غنای معنایی، به عنوان جایگزینی برای پشتیبانی رهیافت انباشت منبع، به کاربران آرشیو اجازه می دهد که محتوا را سازماندهی کنند این شکل نهایی وب نوشت نویسی (حاشیه نگاری) اجتماعی است که کاربران نه فقط داده بلکه فراداده را نیز تولید می کنند (گازان، 2008) (3) .

در نیروانا، انتخاب های امروز توسط پژوهشگران آینده ستایش خواهد شد، کسانی که به اتکای اطلاعات و شواهد، تلاش های انسانی انجام شده در اینترنت را، تجسم داده، حفاظت کرده، و افزایش داده اند تا به همه روش های فنون قدرتمند پژوهش دست یابند و توانمند شوند.

شدنی نیستند، و مشاهده محتوا غیر ممکن می شود. بیشتر پیشینه های پیوسته در طول دوره ما سرانجام همچون کارت پانچ های دهه 1960 و نوارهای مغناطیسی ریل به ریل (1) ، غیرقابل خواندن (استفاده) خواهند شد. علاوه بر مشکل قالب، مشکل حجم زیاد نیز در حال رشد و فزونی است.همان طور که اینترنت به سمت تکامل استفاده از IPV6 (2) حرکت می کند، اشیای قابل نشانه گذاری (به طور روزافزونی شامل، اشیای فیزیکی در «Web of Things» (3) به راستی، به وسیله دستورات متعدد ذخیره سازی - حتی نشانی ها - بیش از ظرفیت موجودمان، در حال ازدیاد حجم هستند (1038)، که به تنهایی اجازه آماده سازی همه محتوا را می دهد. در نتیجه، ما نمی توانیم موارد بیشتری را جست و جو کنیم، و به این دلیل نمایه سازی و فناوری جست و جوی ما ناامیدانه شکست می خورد.

همزمان با توسعۀ وب معنایی، همه مفهوم محتوا تغییر می کند. محتوا چیزی بیشتر از متن و تصویر نیست، اما در حال حاضر اقلام داده قراردادی و پیوندهای بین آن ها را در بر می گیرد. حتی حالا در سال 2011، جهان داده های پیوند خورده عمومی (4) (که شامل مجموعه هایی همچون data.gov و data.gov. uk است). ده ها میلیون اقلام داده ای (به طور روز افزون قالب RDF (5) ) را در برمی گیرد که به وسیله صدها میلیون پیوند قابل ارجاع مجدد، به هم پیوسته اند. چالش آرشیوسازی این سری داده ها از زمان نشانی دهی - آغاز می شود (برای مثال: به وسیله پروژه پرونوم (6) آزمایشگاه های آرشیوهای ملی بریتانیا (7) )، اما احتمالا جهان داده های پیوند خورده سریع تر از اینکه از نظر مجموعه سازی یا تحلیل، قابل مدیریت باشد، رشد خواهند کرد.

در این سناریو، حتی منابع عظیم شرکتی چون گوگل تحت الشعاع مشکلات قرار می گیرد. بنابراین، پاسخ بدیهی برای آرشیوسازی این حجم («بگذارید گوگل کارش را بکند» (8) ) چیزی بیشتر از یک راه حل نیست.

اگر انتخاب ها ما را به این مسیر هدایت کند، پژوهشگران آینده می آموزند که گذشته وب را به صورت غیر قابل دسترسی و بدون اعتماد و داستانی که حکایت می شود و مدرک دست دومی از زمان، تصور کنند. امروزه، حجم بزرگی از اطلاعات به مقیاس جهانی ایجاد می شود که ممکن است به صورت نوشته های روی تکه های کاغذ در میلیون ها جعبه کفش ذخیره شده باشد، که همگان، پیشرفت های صورت گرفته در دنیا را همان گونه که در محتوای اینترنت منعکس می شود به نحو مناسبی درک خواهند کرد.

ص: 113

استفاده از وب قبلی برای پژوهش جدی ، گسترش خواهد یافت.

این سناریو با سناریوی آخر الزمان متفاوت است. در آن سناریو، فناوری آرشیوسازی وب با تغییرات فناورانه روی اینترنت همگام نخواهد بود. در این سناریو سرعت آرشیوسازی وب هماهنگ با فناوری تحویل وب تنظیم می شود.

اگر چه داده حفاظت شده به صورت اسطوره ای حفاظت شده برای استفاده در آینده نامطمئن باقی می ماند.

در مراحل نگارش این گزارش، مشخص شده است که به جای آرشیوهای وب مرجع، به طور روزافزونی کاربران و پژوهشگران با وب پویا همانند آرشیو برخورد می کنند. وب پویا، به رشد خود ادامه می دهد و برای بیشتر بخش ها، داده هایی که ناپدیدمی شوند، از نظر بسیاری به صورت یک مشکل ساده دیده می شود و مهم تر از آن، برای بخشی بزرگ تر، حجم عظیم دیگری از داده ها بر روی وب در هر زمان باقی می ماند.

تصویر ما از آرشیو، تصویری از اقلام فیزیکی همچون کاغذها و اسناد ذخیره شده در یک مکان فیزیکی است. با وجود این، این ماهیت وب نیست. پژوهشگران می توانند حجم زیادی از مواد را از منابع مختلف وب پویا برای نیل به اهداف پژوهشی خود ذخیره کنند. ما آرشیوها را به صورت چیزهایی که برای آیندگان حبس شده اند، درک می کنیم. در حالی که وب، به تنهایی پدیده ای در حال رشد و منبعی متنوع از انواع مواد است که به صورت بالقوه مورد توجه پژوهشگران است. به طوری که، آن را نه به عنوان یک آرشیو سنتی، بلکه به سادگی به صورت یک منبع داده می بینند.

این یک سناریوی بدبینانه است، اما به نظر می رسد که وزنی از شواهد را در جانب خود داشته باشد. در رایزنی هایی با محققان برجسته، به یک فقدان علاقه دیرپای بر پرسش از وب قبلی و درک اینترنت به عنوان یک توسعه تاریخی، رسیدیم. البته استثناهایی وجود دارد که بعداً در این گزارش شرح داده خواهد شد، اما قادر بوده ایم تا گرایش نهفته کار با آرشیوهای وب را کشف کنیم که انتظار ساده ای برای [ ظهور ] فناوری مناسب برای بیدار شدن آن وجود دارد.

ممکن است انتظار تغییر از گوشه و کنار برای آمادگی ایجاد یک گام تغییری در تصورات پژوهشگران، بر اساس جلوه های استفاده جدید یا فناوری تازه، وجود داشته باشد. اگر این امر رخ ندهد، بیم آن می رود که به جمع آوری گردو غبارهای رقومی ادامه دهیم.

اگر از این سناریو اجتناب شود، نیازمند نوعی جدیدی از آرشیویست هستیم که با پژوهشگران و عموم [کاربران]، در استخراج داده هایی که آن ها از وب پویا نیاز دارند در تعامل باشد و زمانی که این داده ها از وب پویا ناپدید شدند، قادر به ذخیره سازی مجدد آن ها به صورتی که قابل مشاهده و استفاده بوسیله ابزارهای وب پویا باشند، هستند. بسیار فراتر، از زمانی که رقومی سازی اسناد تاریخی، از آرشیوها حجم زیادی از مواد تاریخی قابل دسترسی بر روی وب در دهه گذشته ایجاد کرده است (مه یر 2001 (1) ،، تانر 2010 (2) ، تانر و دیگان 2011 (3) ، آرشیوهای وب به انتقال وب به محفظه ها (جعبه ها) نیاز ندارند، بلکه در عوض نیازمند برگشت به وب در زمانی که دارای محتواست، هستند.

ص: 115

دهندگان مستقل، و هکرها برای مطالعه وب پویا گسترش یافته اند.

در حال حاضر، انواع ابزارهای توسعه یافته برای مطالعه وب پویا، روی هم رفته، به آسانی برای مطالعه داده های قابل دسترسی آرشیوهای وب به کار گرفته می شوند. این [امر] بزرگ ترین مانع برای فهم وب، نه تنها به عنوان یک تصویر لحظه ای بلکه به عنوان یک اکوسیستم در حال توسعه است.

مصورسازی

هر آرشیوی که ایجاد شده و مورد استفاده قرار می گیرد به [مرور] وسیع، غیر قابل نظر اجمالی و بدون نقشه یا دسترسی بصری و روش حسی برای مشاهده آرشیوها و چگونگی پیوندهای آن ها، خواهد شد. مصورسازی در اینجا یک راه حل اساسی است، اما انواع متعددی از آن ها در دسترس است.

چالش ها

ابزارهای بسیاری برای بررسی ارتباط بین کاربران رسانه های اجتماعی، ابزارهایی برای مرور پیوستار زمانی، ترکیب نقشه ها با ردپای کاربران، ابزارهای تصویری برای نمایش نحوه پیوند داده ها و نظیر آن وجود دارد؛ اما اینها به منظور کار کردن با آرشیوهای وب نیاز به متمرکز شدن دارند. مصور سازی اطلاعات حوزه پیشرفته پژوهشی است، اما بهترین نحوه مشاهده یک آرشیو (یا جست و جوی یکی از آن ها، یا دیدن ارتباطات درونی و ما بین آن ها) شامل رابط های حسی (بصری)، تغییرات دیداری تصاویر سه بُعدی و پویشگران زمانی، هنوز دست نیافتنی هستند؛ و برای مثال آیا احتمال شناسایی موضوع هایی درون مجموعه به وسیله روش های بازبینی تصویری یا سازماندهی تصویری یک سری از ارتباطات وجود دارد؟ به بیان دیگر ، ایجاد ابزارهای مصورسازی برای کمک به پژوهشگران ممکن است؟

مثال ها: Apple Time Machine (1) ،Touch grahp (2)

عکس

تصویر 1. Touchgraph، در اینجا، توانایی بررسی پیوند های میان وب گاه ها با استفاده از رابط گرافیکی را ارائه می کند. داده ها از وب پویا ترسیم شده اند.

ص: 117

است که شامل فهم ارتباطات بین دوستان در شبکه های اجتماعی مانند فیس بوک (هوگان 2010 (1) ) ، بررسی وابستگی های سیاسی مشارکت کنندگان در مباحث سیاسی (هیندمن (2) ، 2007) ، و کشف شبکه های توطئه(طرح) در ادبیات انگلیسی (مورتی 2011 ،2005) (3) است.

ابزارهای جست و جوی مبتنی بر تحلیل های شبکه اجتماعی شامل , UCINET (4) , Pajec (5) , Voson (6) NodeXL (7) ، و بسیاری دیگر، در حال تکثیر و توسعه هستند.

اگر چه تعداد کمی از این ابزارها، هر چه که باشد، برای استفاده به وسیله آرشیوهای وب توانمند یا بهینه شده اند.

چالش: نخست، کار با طراحان اصلی ابزارهای تحلیل شبکه اجتماعی برای توانمند و بهینه سازی آن ها در کار با داده های آرشیوی وب.

همچنین، توسعۀ روش های جدید ابداعی با احتمال یک بار در بعد زمان، که به داده های شبکه برای ردیابی مواردی همچون تکامل تدریجی شبکه های اجتماعی در طول زمان، افزوده می شود. به وسیله آرشیوسازی، نه تنها وضعیت سایت های شبکه های اجتماعی، بلکه زمانی که افراد پیوندها را ایجاد، نگهداری و حذف نموده، با دیگران ارتباط برقرار کرده، به گروه ها می پیوندند و گروه ها یا وبگاه ها را ترک می کنند.

ما باید به خاطر داشته باشیم که وب شبکه ای از پیوندهاست و تحلیل وب بینشی، کلی به ماهیت آن شبکه برای ما فراهم می کند.

مثال ها:

تحلیل های فیس بوک: ابزارهای بسیاری برای تحلیل تعاملات بین کاربران فیس بوک، جریان نفوذ و منحنی اجتماعی در دسترس هستند.

نمایش مثالی از فیس بوک (8) :

عکس

تصاویر نمودارهای اجتماعی فیس بوک:

ص: 119

عکس

تصویر 3. منبع: http://infosthetics.com/archives/2008/03/facebook_social_network_graph.html

تصویر 4 منبع: http://www.facebook.com/notes/facebook-engineering/visualizing-friendships/ 469716398919

به همین ترتیب، طیف گسترده ای از تحلیل های توییتر مانند Trendistic ، (1) Twitalyzer (2) ، و دیگران وجود دارد.

تصویر trndistic. 5

تصویر 6. http://truthy.indiana.edu/) Truthy)

ص: 120

عکس

تصوير 8. برچسب هاي نشانه گذاري شده به وسيله كاربران حوزه سياست (كونوور (1)، راتكويچ (2)، فرانسيسكو (3)، و ديگران؛ 2011)

انتشارات رسمی، هر نشریه ای یک نویسنده و تاریخ نشر دارد و برای ردیابی توالی استنادها به یک اثر انفرادی استفاده می شود. نشریات، نظام آرشیوی دارند که آزمایش شده و به نحو قابل اعتماد و مناسبی پذیرفته شده اند: نشریه تخصص با وجود این، نشریات غیر رسمی وب، روش توسعه یافته مناسب و مشابهی برای آرشیو سازی سهم ها (مشارکت ها) با دانش، به شکلی که قابل استناد باشند و در طی زمان دوباره جایگزین شوند، ندارند. این شکافی است که انتظار می رود رفع شود و آرشیوهای وب زمینه های بارزی برای شروع هستند.

همچنین، برای مشارکت های غیر تخصصی چه ابزارهایی برای تحلیل ویکی ها و موجودیت های مشترک استفاده می شود که می تواند فهم این تغییرها را در دوره های زمانی توسعه دهد؟

مثال ها: Data Cite (1) و Reader Meter (2)

عکس

تصویر 2. reader meter نوعی از ابزار Alt metric برای درک نحوه خواندن یک نویسنده بر اساس آمارهای مندلی (http://www.mendeley.com/) منبع: http://readermeter.org

حاشیه نویسی های آن صفحه ها و مجموعه ها را ذخیره نمایند، در نظر بگیرید. توانایی پاسخ به این سؤال که «چگونه افراد این منابع را برای یکدیگر نشانه گذاری می نمایند، و چگونه در طول زمان تغییر می کند؟» و بررسی استفاده از فناوری های موجود ترکیب و تطبیق دادن ابزارهای حاشیه نویسی اجتماعی موجود. گامی بیشتر بردارید، آیا می توان اجتماعی از پیوندها و وب نوشت ها برای مجموعه های آرشیوی با استفاده از ابزارهای مشابه مورد تأکید قرار داد تا معلوم شود افراد چگونه موارد موجود روی وب پویا را برای یکدیگر نشانه گذاری می کنند؟

مثال ها: Delicious (1)، ردایت بر مبنای بوک مارکلت (2) مثال: Madcow (3)

ابزارهایی یک منظوره یکپارچه بشوند. یک رهیافت، پیاده سازی کارکردهای تحلیلی مانند خدمات وب خواهد بود که می تواند با گردش کار قانونی موتور ترکیب شود. این رهیافت به صورت گسترده ای در bioinformatic که با مشکلات مشابهی در خصوص یکپارچه سازی داده ها از مخازن متعدد روبه روست استفاده می شود.

مثال: گردش کار قانون - مصوب موتور Taverna (1) برای ترکیب [تلفیق] خدمات وب پیشنهادی توسط پردازش توزیع شده و نظام های ذخیره سازی استفاده می شود، سپس گردش کارها می توانند به اشتراک در آمده، دوباره استفاده و هدفگذاری شوند. myexperience (2) مثالی از یک مخزن قابل اشتراک گردش کارهای علمی:

عکس

تصویر 11. گردش کارهای تاورنا

تصویر 10: منبع: کارول گلوبال و دیگران (3)

CAPTCHA (1) برای شناسایی نویسه نوری کمک کننده انسان است. افراد چگونه با این ابزارها و از طریق اینها با یکدیگر تعامل می کنند؟

برای مثال، در مورد «بازهای هدف دار» همچون Foldit (2) ، چالش نه در آرشیوسازی وبگاه ها و نه فقط در بازی بلکه در چگونگی بازی افراد است. کاربران چگونه با بازی تعامل دارند؟ از تحقیق در مورد چگونگی بازی بازیکنان در تعامل با فضای پیوسته، دروسی را می توان طراحی نمود (برای مثال: ویلیامز (3) ، یی (4) و کاپلان (5) ، 2008).

عکس

تصویر 13. نقشه فلوتینگ شیپ «نقشه جغزافیایی مذهبی گوگل»

عکس

تصویر 14. Rcorded Futur سیر اخبار را در طی زمان را دنبال می کند.

تصویر 15. Media Cloud سیر اخبار جغرافیایی را دنبال می کند.

حال رشد هستند. ابزارها توسط وب معنایی یا جامعه داده های پیوند شده توسعه می یابند، به طوری که می توانند به سرعت مشکل مدیریت فراداده را آسان کرده و به این فراداده ها اجازه دهند که در مقیاس بزرگ قابل جست و جو بوده و همچنین برای یکپارچه سازی داده ها در مجموعه به روشی بسیار پیچیده تر استفاده شوند.

عکس

تصویر 17. منبع: نمودار ابر گونه داده های باز پیوند خورده توسط ریچارد کی گانیاک (1) و انجا ینتس (2) http://lod-cloud.net

مثال ها: Sindic / Sig.ma (3) جست و جوی مبتنی بر آر دی اف (4)

تصویر 18. Sindic / Sig. ma جست و جوی مبتنی بر RDF

منبع: http://sig.ma/search?q=Tim%20Berners%20Lee

ص: 128

پاره ای از اقدامات برای پشتیبانی آرشیوهای وب موجود غیر ممکن خواهد بود - ممکن است برای انجام آن داده یا محتوا گردآوری نشده و تقریباً از بین رفته باشد. با این حال، رو به سوی تا آینده چه تغییراتی را می توانیم امروز و در سال های آینده برای آرشیوهای وب، ایجاد کنیم محققان در سالهای 2015 ، 2020 یا 2050 قادر به طراحی منابعی باشند که در حال حاضر برای پاسخ به این سؤال ها گردآوری می کنیم. محققان آینده، چه چیزی را از ما طلب می کنند که حالا در سال 2011، و در آینده، انجام نمی دهیم؟ مؤسسه های خاص چه می توانند انجام دهند؟ اگر IIPC به صورت جمعی در بهره داری از قدرت آرشیوهای چندگانه، عمل نماید چه اتفاق بهتر و مؤثرتری ممکن است رخ دهد؟

به عنوان مثال Web Cite (http://www.webcitation.org)/ (1) به نویسندگان امکان آرشیو نسخه ای از صفحه وب و ایجاد پیوند محافظت شده یا تجزیه کننده DOI را می دهد. Dead URL (http://deadurl.com) (2) رهیافت متفاوتی با اتکا بر آرشیو اینترنت و مخزن گوگل، در میان منابع دیگر برگزیده است تا سعی کند نسخه های پیوندهای از دست رفته را بیابد. اگر چه، تلاش های این چنینی بوسیله اکثریت وسیعی از محققان که عمدتاً از وجود آن آگاه نیستند، بدون استفاده باقی می ماند. فراتر از عامل مشکل ساز، نتیجه ناخواسته و غیر منتظره دیگری نیز وجود دارد. عادت محققان به اینکه تا حد امکان نشانی های متعددی را در آثار علمی شان درج کنند. این امر اثرات متعددی دارد:

نخست: زمانی که سعی در ارزیابی تأثیر منابع برخط با استفاده از فنونی چون وب سنجی دارند، فقدان پیوندها باعث کاهش تأثیر منابع شان می شود.

دوم: خوانندگان را وادار به تلاشی جدی تر برای پیگیری منابع اطلاعاتی می کند، به طوری که سعی می کنند نه تنها منبع صحیح استناد، بلکه منبع استناد شده ای را که ممکن است ویرایش صفحه هایش می کنند به طور قابل توجهی تغییر کرده باشد نیز کشف کنند. اگر آرشیوهای وب تبدیل به منبعی قابل اتکا برای استناد پیوسته اطلاعات بشوند، این امر باعث افزایش پژوهش می شود و وجهه (نیمرخ) آرشیوهای وب را به صورت عمومی تر رشد خواهد داد.

در این وب مجتمع، دانش هویدا در وب، رشد و تکامل می یابد، اما به همان روش مشابه وب فعلی، به دور انداخته نمی شود. وب مجتمع، با استفاده از موتورهای جست و جویی نظیر گوگل، قابل خزش، زدودن پیوند شدن و تحلیل و جست وجو خواهد شد. پیوندها از بین نخواهند رفت، بلکه به سوی تبدیل شدن به و موادی هدایت می شوند. که مدت زیادی از وجودشان به صورت فعال بر روی وب فعلی نمی گذرد.

عکس

تصویر 19 روند موضوعات توییتر ، 29 آوریل 2011

چالش در حال توسعه: استفاده از ابزار هایی نظیر خوراک های R.S.S . برای به کارگیری نشانه ها بیان گر این است که تغییرات صفحه های وب نیاز به آرشیو شدن دارند.

در ارتباط با توسعه رویدادها، امکان پایش مواردی نظیر خوراک های .R.S.S یا نرم افزارهای کاربردی اخيراً توسعه یافته برای داشتن سیستم هایی که به فعالیت تکثیر به وسیله افزایش تکرار ذخیره صفحه ،وب پاسخ داده یا بوسیله آگاه سازی متصدیان انسانی حوزه های در حال توسعه بالقوه مورد علاقه، وجود دارد.

چالش طولانی مدت: ساخت الگوریتم هایی که از روندهای فعالیت برخط (نظیر روندهای گوگل یا روند موضوع های توییتر) به منظور راه اندازی گرانولیته آرشیو سازی افزایشی برای صفحه های وب مرتبط با آن موضوع های استفاده می کنند.

این امر مستلزم مهارت و پختگی بیش تری برای آرشیو هایی است که به طور مناسبی برای استفاده مجدد و به اشتراک گذاری و استاندارد سازی ایجاد شده و استمرار دارند پژوهش گران علاقه مند به استفاده از چنین آرشیوهای گردآوری شده الگوریتم گونه ای دارای الگوریتمی ، می خواهند منطق حذف یا افزودن را بدانند و قادر به فهم ماهیت و محتوای مجموعه باشند. سؤال محوری که پرسیده خواهد شد این است که چگونه مجموعه ها با اکوسیستمی از منابع پژوهشی قابل استفاده و قابل دسترسی متناسب شوند؟

سرویس دهنده ثبت وقایع و تحلیل های تحلیل گران تکنیکی پر تکرار برای ارزیابی کاربردها تأثیر و الگوهای ترافیک در وب پویاست با وجود ،این این فنون برای وب آرشیوی امکان پذیر نیست زیرا داده ها برای درک استفاده های وب قدیمی و آرشیو های وب به سادگی در دسترس نیستند.

عکس

تصویر. 20 نمونه ای از فایل داده ثبت وقایع برای سایت histpop. org منبع: مه یر و دیگران، 2009

چالش فوری: آرشیو سرویس دهنده ثبت وقایع سایت های وب آرشیوی، که محققان بتوانند نحوه استفاده از آرشیوهای وب را مطالعه نمایند این راه حلی ساده و سر راست و در دسترس برای مؤسسه هایی است که آرشیو های وب را می سازند. سرویس دهنده ثبت وقایع آرشیوهای وب می تواند رای پژوهش گران علاقمند به فهم چگونگی مرور آرشیوهای وب توسط کاربران و چگونگی دسترسی آن ها به منابع و اینکه چه بخش هایی از آرشیو بیش ترین تکرار استفاده را دارند، ذخیره، نگهداری و قابل دسترسی شود. این اطلاعات به طور عمده مورد توجه جامعه آرشیوی وب خواهد بود. اما این گام نخست است.

چالش بلند مدت: تلاش بلند پروازانه تری ،است اما علاقه بالقوه بسیار گسترده تری خواهد بود راه اندازی زیر ساختی برای امکان آرشیو سازی سرویس دهنده های ثبت وقایع و تحلیل های مرتبط و پیوند با وب گاه ها به طوری که پژوهش گران نه فقط آن چه که بر روی وب موجود بوده، بلکه نحوه استفاده از آن را نیز بتوانند ببینند این هدفی بسیار بلند پروازانه تر است، زیرا سرویس دهنده های ثبت وقایع و اعتبارهای تحلیل ها فقط به صورت داخلی برای سرور و مدیران اعتبار در وضعیتی حفاظت شده قابل مشاهده هستند. تجربیات عمومی مدیران سرور برای ذخیره سرویس دهنده ثبت وقایع در بلند مدت ضروری نیستند به طوری که آن ها به طور عادی برای ذخیره سازی فضا و دوری از انباشتگی و آشفتگی سرور، حذف و بازنویسی می شوند. اگر چه این داده ها به طور بالقوه برای پژوهش گرانی ارزشمند است که نه فقط می خواهند از وضعیت یک سایت آگاه شوند، بلکه می خواهند از چگونگی و مقدار استفاده از آن، ترافیک منابع و دیگر حقایقی که از ثبت وقایع و داده های تحلیلی می تواند گردآوری شود، آگاهی یابند. راه حل های اجتماعی شامل ایجاد مکانیسم هایی برای مدیران سرور برای مشارکت در ثبت وقایع

ص: 134

است که می تواند با وبگاه های آرشیو ارتباط داشته باشد و برای ارائه کنندگان تحلیل هایی همچون گوگل به منظور ارائه گزینه ای به منظور مشارکت سایت های تحلیلی با آرشیوهای وب و تا حد امکان تعیین دوره محدودیت قبل از این که داده ها انتشار یابند.

چالش بلند پروازانه طراحی نظام هایی برای آرشیو نه تنها سرویس دهنده های ثبت وقایع، بلکه خود ترافیک وب در یک سبک ناشناخته حفاظت شده این راه حل حتی بسیار بلند پروازانه تر است؛ زیرا سازو کارهای تحلیل ترافیک ،وب روی هم رفته عموماً در دسترس نیستند. نگرانی های نهفته ای از مواردی نظیر بازرسی بسته های عمیق که به تحلیلگران دربارهٔ ترافیک روان ،وب می گوید وجود دارد.

پرسش محوری برای سؤال کردن این است که چه زمان مزایای فهم نحوه رفتار افراد در وب بر خطرات غلبه مینماید ،بنابراین توجه به این امر که روش هایی وجود دارند که این داده ها می توانند برای تحلیل های بعدی آرشیو و ذخیره شوند در زمانی که خطرات برای افراد و سازمان ها به حد کافی به واسطه گذر زمان و گمنام کردن داده ها کاهش می یابد ارزشمند است.

می دهد. آیا اندازه بحرانی در طول دوره های پوشش و دامنه مجموعه وب آرشیوی برای اینکه در طول زمان مورد استفاده دیگر پژوهش گران باشد وجود دارد؟ چگونه راهبرد ها و سیاست های خزندگی وب مؤسسه های مختلف (همچون برداشت های عمده و حوزه رویدادی یا انتخابی) انتظارات پژوهش گران را برآورده کرده، و چه راهبرد های متنوعی به مناسب ترین وضع برای پشتیبانی، استفاده می شوند؟

بعضی از مثال های ویژه حوزه مجموعه های تخصصی در ابزارهای علوم اجتماعی برای ترکیب بانک جهانی داده با تحلیل های موجود در ولف رام آلفا (1) در ارتباط با سلامتی یا دیگر اطلاعات جمعیتی می توانند توسعه یابند. این مستلزم استفاده از ابزاری (همچون ولف رام آلفا) دارد که به طور مداوم با داده های جدید روزآمد می شود به همان صورت الگوریتم ها و ابزار های مصور سازی آن، بستر تحلیلی داده های پویا را ارائه می کنند در علوم ،طبیعی پژوهش گران به گرفتن اطلاعات آب و هوا (دما) علاقه مند خواهند بود و این اطلاعات جمع آوری شده را با طبیعت شناسان غیر حرفه ای (مانند مشاهده کنندگان پرندگان) در گروه های مختلف (با استفاده از ابزارهایی چون گوگل پلاس یا فیس بوک) در سراسر دنیا، به اشتراک گذاشته و به گروه هایی می پیوندند که چگونگی تغییر الگو های مهاجرت پرندگان با آب و هوا یا آن چه مهاجرت پرندگان درباره تغییرات آب و هوا می تواند بگوید را تحلیل می نمایند. این امر نیاز به آشنایی با علم ،شهری جامعه ای برخط و محیط گرایی دارد در علوم انسانی به عنوان عقاید تاریخی ممکن است مصاحبه های آلن مک فارلن (2) با متفکران معاصر اصلی که در سخنرانی های iTunesu (3) آکسفورد نمایش داده می شود مقایسه شود تا الگو های چگونگی تفکر اجتماعی متفکران مهم در مقابل آن هایی که در iTunesu مشهور هستند شفاف شود. (به عبارت دیگر مقایسه افکار اصلی در مقابل با افکار مردمی).

چالش فوری: ارائه راهنمایی برای انواع متفاوتی از ابر مجموعه ها به طوری که عناصر استاندارد در آرشیو وب وارد شوند و در نتیجه دامنه و انسجام آن ها تضمین و تعیین شود.

چالش توسعه یافته: ارائه ابزارها و زیر ساخت های سازمانی برای این که پژوهش گران بتوانند بر تردیدها غلبه یابند تا ابر مجموعه هایی را بسازند که حداقل به صورت بالقوه توسط یک پژوهش گر منفرد مورد استفاده قرار گیرد. استانداردهایی تعریف شودتا ابر مجموعه های آرشیوی توسط یکدیگر قابل استفاده باشند.

چالش بلند مدت: تشویق به پدید آمدن سازمان هایی که ابر مجموعه ها را به طور مفید و گسترده تشویق و حمایت می کنند.

Flicker (1) تحلیل های تصویری انجام گیرد؟ تصویر برداری مجدد، تجربه ای است که طی آن مکانی که قبلاً از آن عکس برداری شده بازدید کرده و برای مستند کردن تداوم و تغییرات در طول زمان، عکس جدیدی از آن گرفته می شود. یکی از نخستین پروژه ها برای انجام این کار بازدید مجدد از 1200 سایت در آمریکای غربی و تصویر برداری از صد سال قبل به وسیله پژوهشگران دولتی بوده است. (کلت، (2) منچستر (3) و وربورگ 1984. (4)).

حالا، تصور کنید 100 سال بعد از حال را که قادر باشیم نه تنها عکس های یکسانی را از مکانی مشخص مقایسه کنیم بلکه بتوانیم از آرشیو های وب سری کامل عکس های مستند شده ای را از دنیای در حال تغییر و ثابت در طول زمان استخراج کنیم.

عکس

تصویر 21. تصویر قصر باکینگهام که از 220 تصویر مختلف گردآوری شده است.

منبع: http://photosynth.net/view.aspx?cid=34e49d3e-2d1e-4118- bbad-d2f5d74ce

چالش فوری: تضمین، این که تصاویری که بیش تر در صفحه های وب آرشیو شده، از دست می روند، در اولویت حفاظت قرار گیرند.

چالش توسعه یافته ساخت فناوری هایی همانند (5)http://photosynth.net/Background.aspx. که قادر به اتصال تعداد زیادی از تصاویر برای نمایش پانورامای یک مکان یا شی برای کار با اطلاعات زمانی به منظور جمع آوری مناظر مشابه در طول زمان باشند.

چالش بلند مدت: ایجاد یک آرشیو از تصاویر جهان شامل اطلاعات بسیار از زمان و مکان که تا حد امکان برگرفته از EXIF (6) و داده های صفحه های وب باشند به طوری که تصاویر بتوانند برای پژوهش استفاده شوند. ابزارهایی برای جای دادن استخراج ترکیب و تصاویر مورد نیاز است.

ص: 137

جغرافیایی فیزیکی یا مجازی بلکه بر اساس حرکت از یک ایده می سازیم؟ هر کس می تواند تصور کند که قادر به تعیین یک ایده باشد و برای دنبال نمودن آن ایده به صورتی که در طول زمان توسعه می یابد، حرکت کند

هم چنین چه زمینه گسترده ای در اطراف محتوایی که ما در آرشیو می بینیم، وجود دارد؟ برای مثال: مردم روی وب در زمان پیدایش آن چه چیزی را جست و جو می کردند؟ گوگل زیتگیست (1) و گوگل ترندز (2) در مورد چیزهایی که مردم درباره آن جست وجو می کردند به ما می گویند. چه چیزهایی دیگری را می توانیم برای فهم زمینه جمع آوری کنیم؟ برای مثال- در تویتتر اشاره شده است - به فهم زمینه محتوا بوسیله مشاهدۀ چیزهایی که با یکدیگر آمده اند ، کمک می کند.

برای نمونه واتسون آی بی ام (3)، نظام اختصاصی است که از مواد آرشیوی زیادی برای ساخت موتور دیپ کیو ای (4) خودش استفاده می کند که به آن برای برنده شدن در بحران 2011 کمک می کند. چگونه این نوع از ابزار به طور گسترده تری برای جست وجوی پیشرفته در دسترس خواهند شد؟

چالش: بعد زمان وب همان گونه که ایجاد شده نیاز دارد که حفاظت شده قابل استخراج و قابل تحلیل .باشد گرانولیته بهتری نیاز است تا ببیند ایده ها از کجا آغاز شده، چگونه گسترش می یابند و این که چه فعالیت هایی سرعت تکثیر آن ها را کاهش یا افزایش می دهد؟ ایده ها به صورت موجودی زنده در دنیا پدید می آیند و تنها پس از این که نگهداری ،شوند برای برگشت به اصلیت شان مورد توجه قرار خواهند گرفت با این حال بدون گرانولیته و عمق مناسب آرشیوی ایده اصلی ممکن است در زمانی که شخص به جست و جوی آن فکر می کند، از دست رفته باشد.

برای پژوهش گران، بلکه برای سیاست گذاران عمومی، متخصصان حوزه سلامت که احتیاج به پیگیری نتایج رفتارهای خطر آفرین دارند خبرگان سلامت عمومی، متخصصان و مؤسسه های حمایت اجتماعی و کسانی که مسئول حفظ رفاه قشر آسیب پذیر هستند مفید می باشد

چالش: بزرگ ترین چالش در این جا این است که حتی اگر منابع غیر قانونی بر روی اینترنت رواج داشته باشند سازمان های اندکی هستند که خارج از اعمال فشار قانونی مایل به پذیرش خطر مشارکت در جمع آوری داده های مربوط به این منابع .هستند تابوهای فرهنگی و خطرات قانونی در ارتباط با دسترسی و ذخیره سازی منابع غیر قانونی حتی برای اهداف مثبت همانند پژوهش فهم جنبه های جامعه مدرن بیشتر پژوهش گران وب و آرشیویست های وب را از چنین منابعی بر حذر می دارد.

به نظر می رسد مهم ترین سازوکاری که می تواند در این جا وجود داشته باشد نظامی با حفاظت قانونی خواهد بود که به طور مناسب و تا حد امکان افراد و سازمان ها را برای آرشیو و جست وجوی داده های غیرقانونی قابل دسترسی اینترنت بدون در معرض خطر قرار گرفتن سازمان ها یا پژوهش گران استفاده کننده از این مجموعه ها تأیید کند

عکس

تصویر 23- مشاهده گر n-gram کتاب های گوگل

چالش: برای بخش هایی از اینترنت که حاوی داده ها به جای اسناد هستند، تغییر نگرش از این که آرشیو های وب برای نگهداری اسناد هستند به سمت مشاهده آن ها به صورت روشی برای آرشیوسازی داده هایی است که این اسناد در بردارند. این امر مستلزم مدل های جدیدی برای ذخیره سازی و استخراج داده هایی است که از مدل های متمایل به تحلیل های دادهای داده های ساختار ،یافته به جای تحلیل های داده های ساختار نیافته پیروی می کنند

وب های ملی: چه ارزشی در ایجاد یک وب ملی زمانی که وب پدیده ای فراتر از مرزهاست وجود دارد؟ تلاش هایی در حوزه آرشیو - در جعبه-برای اجرا در سطوح ،ملی با توجه به محدودیت های بودجه ای و ،قانونی اساسی است در حال حاضر، در بریتانیا ، کتابخانه بریتانیا خودش را برای پیش بینی قوانینی تأثیر گذار بر روی آرشیوسازی فضای وب بریتانیا به صورت کتابخانه واسپاری برای همه انتشارات بریتانیا آماده می.کند در می،2011 وزارت پژوهش و اختراع دانمارک، تصمیم به ایجاد زیر ساخت های پژوهشی ملی در حوزه های پژوهشی مختلف (علوم طبیعی علوم انسانی) که متمرکز بر استفاده از ابزارهای تحلیلی منابع وب آرشیوی خواهد بود.

چالش فوری: عدم شفافیت نحوه استفاده پژوهش گران از آرشیو های ملی. بسیاری از آن ها هنوز در مراحل طراحی هستند ما در مورد یکی از مهم ترین مواردی که باید انجام شود، یعنی تعامل دامنه پژوهشگران با تخصص هایی نه فقط در پژوهش ،اینترنت بلکه در زمینه هایی نظیر جامعه شناسی، علوم سیاسی و دیگر حوزه های علوم اجتماعی فیزیک و سایر علوم هنر و علوم انسانی، بحث خواهیم کرد. همان طور که این زیرساخت ها به منظور انعکاس نیازهای پژوهشگران ملی در مجموعه های ایجاد شده، طراحی می شوند. این فرآیندی زمانبر است و تعامل خبرگان هر حوزه می تواند مشکل باشد. با وجود

ص: 143

این شکست اجرای آن احتمال کسب کاربرد گسترده زیر ساخت های جدید را کاهش می دهد.

که تمایل به پاسخ گویی به آن ها دارند و برنامه نویسان رایانه ای همه مهارت شان را برای کمک به آن ها در رسیدن (نیل یا نزدیک شدن) به اهداف پژوهشی شان به کار می برند دوباره برنامه نویسان رایانه ای که با داده های وب پویا کار می کنند، مهارت هایی برای اجرای طرح های خلاقانه با ابزارها دارند که نتایج بسیار بیشتری از انتظار برای درخواست از آرشیو های وب به سمت آن ها گسیل خواهد کرد.

آیا ما به نیروانا خواهیم رسید یا محکوم به آخر الزمان خواهیم ،شد یا با منحصر به فردی (فنی) جایگزین خواهیم شد یا اینکه با آرشیو های غبار آلوده مواجه خواهیم شد؟ هیچ راهی برای دانستن آن .نداریم با این حال ما در نقطه ای هستیم که این سؤال را ایجاب می کند امروز برای اطمینان از این که در آینده به چه چیزی می توانیم دسترسی داشته باشیم چه گام هایی می توانیم برداریم؟ تجمیع تصمیمات به ندرت قابل توجه ، ساده ،نبود اما بخشی از تلاشی است برای تضمین این که آرشیوهای وب قوی پایدار قابل دسترسی ، ارزشمند و بالاتر از همه توسط پژوهش گران آینده قابل استفاده باشند.

7. Hogan, B. (2010). Analyzing Facebook Networks. In D. Hansen, M. Smith B. Schneiderman (Eds.), Analyzing Social Media Networks with NodeXL. New York, NY: Morgan Kaufman

8. Jasra, M. (2011, 3 February). Reddit Surpasses 1 Billion Monthly Page Views Retrieved 30 April, 2011, from http://www.webanalyticsworld. net/ 2011/ 02/ reddit-surpasses- 1-billion-monthly-page.html. (Archived by WebCite® at http://www.webcitation. org/5yKdMBKNc)

9. Kay, A. (1995). The Best Way to Predict the Future is to Invent it. Mathematical Social Sciences, 30, 326-326.

10. Klett, M., Manchester, E., Verburg, J. (1984). Second View: The Rephotographic Survey Project. Albuquerque: University of New Mexico Press.

11. Kling, R., McKim, G., King, A. (2003). A Bit More to IT: Scholarly Communication Forums as Socio-Technical Interaction Networks. Journal of the American Society for Information Science and Technology, 54(1), 46-67.

12. Kurzweil, R. (2005). The Singularity is Near: When Humans Transcend Biology. New York: Viking.

13. Mayer-Schönberger, V. (2009). Delete: the virtue of forgetting in the digital age. Princeton, NJ: Princeton Univ Press.

14. Meyer, E. T. (2006). Socio-technical Interaction Networks: A discussion of the strengths, weaknesses and future of Kling's STIN model. In J. Berleur, M. I. Numinem J. Impagliazzo (Eds.), IFIP International Federation for Information Processing, Volume 223, Social Informatics: An Information Society for All? In Remembrance of Rob Kling (pp. 37-48). Boston: Springer.

15. Meyer, E. T. (2011). Splashes and Ripples: Synthesizing the Evidence on the Impact of Digital Resources. Report. London: JISC. Retrieved from http://ssrn.com/ abstract=1846535.

16. Meyer, E. T., Eccles, K., Thelwall, M., Madsen, C. (2009). Final Report to JISC on the Usage and Impact Study of JISC-funded Phase 1 Digitisation Projects the Toolkit for the Impact of Digitised Scholarly Resources (TIDSR). Retrieved from http://microsites. oii.ox.ac.uk/tidsr/system/files/TIDSR-Final Report-20July2009.pdf

17. Moretti, F. (2005). Graphs, Maps, Trees: Abstract models for a literary history. London: Verso Books.

ص: 146

18. Moretti, F. (2011). Network Theory, Plot Analysis. New Left Review, 68, 80-102.

19. Olston, C., Reed, B., Srivastava, U., Kumar, R., Tomkins, A. (2008). Pig Latin: A Not- So-Foreign Language for Data Processing. Paper presented at the ACM SIGMOD’08 Conference, Vancouver, BC, Canada.

20. Schroeder, R. (2011). Being There Together: Social Interaction in Shared Virtual Environments. New York, NY: Oxford University Press USA.

21. Schroeder, R. Meyer, E. T. (2009). An Emerging Global Brain: How the Internet is Revolutionising Scientific Research. Britain in 2009 (Economic Social Research Council Annual Magazine), 113.27

22. Tanner, S. (2010). Inspiring Research, Inspiring Scholarship. Report. London: JISC. Retrieved from http://www.jisc.ac.uk/media/documents/programmes/digitisation/12pag efinaldocumentbenefitssynthesis.pdf.

23. Tanner, S. Deegan, M. (2011). Inspiring Research, Inspiring Scholarship: The value and benefits of digitised resources for learning, teaching, research and enjoyment. Report. London: JISC. Retrieved from http://www.kdcs.kcl.ac.uk/fileadmin/documents/ Inspiring-Research-Inspiring-Scholarship-2011-Simon Tanner.pdf.

24. Thomas, A., Meyer, E. T., Dougherty, M., Van den Heuvel, C., Madsen, C., Wyatt, S. (2010). Researcher Engagement with Web Archives: Challenges and Opportunities for Investment. Report. London: JISC. Retrieved from http://ssrn.com/abstract=1715000 and http://ie-repository.jisc.ac.uk/543/.

25. van den Heuvel, C. (2009). MAPS: Manuscript Map Annotation and Presentation System: Linking formal ontologies with social tagging to (re-) construct relationships between manuscript maps and contextual documents. Digital Humanities 2009 (University of Maryland, Maryland Institute for Technology in the Humanities (MITH) Abstracts), 138- 141.

26. Von Ahn, L., Maurer, B., McMillen, C., Abraham, D., Blum, M. (2008). reCAPTCHA: Human-Based Character Recognition via Web Security Measures. Science, 321(5895), 1465-1468.

27. Williams, D., Yee, N., Caplan, S. E. (2008). Who plays, how much, and why? Debunking the stereotypical gamer profile. Journal of Computer-Mediated Communication, 13(4), 993-1018. doi: 10.1111/j.1083-6101.2008.00428.x

ص: 147

ص: 148

خزش ها هر سال حدود یک ماه صورت می گیرد و مقدار داده هایی که جمع آوری می کند به اندازه ای است که محتوای پاندورا را کم جلوه می دهند؛ به عنوان مثال در سال 2007 از کل گردآوری دامنه 18 ترابایت داده در یک ماه برداشت شد در حالی که پاندورا در 11 سال 2 ترابایت داده جمع آوری کرده است. انتظار می رود جمع آوری سال 2008 یک بیلیون فایل باشد.

عکس

گردآوری دامنه وب استرالیا : تجزیه و تحلیل کمی مقدماتی آرشیو داده ،NLA ، 2008 -

HTTP://PANDORA.NLA.GOV.AU/DOCUMENTS/AUSCRAWLS.PDFKOERBIN, P

گردآوری هایی که با استفاده از HERITRIX هدایت شده اند (http://crawler.archive.org) بزرگ است، ولی کاملاً جامع نیستند زیرا فقط یک ماه در هر سال گردآوری می شوند (و مقادیر زیادی را می توانند در این فاصله زمانی در اینترنت بیایند و بروند آن ها از قوانین robots.txt پیروی می کنند، و اگر چه HERITRIX عملکردی قوی دارد وب گاه هایی وجود دارد که از لحاظ فنی خزش به آن ها مشکل است. نقص ها هر چه باشند گردآوری در اندازه قابل توجهی انجام می گیرد و بنابراین مقادیر زیاد داده گردآوری شده باعث می شود هر گونه تلاشی در جهت ارزشیابی کیفی وب گاه های شخصی مشکل گردد. ،بنابراین به طور معکوس ،پاندورا جایی است که می توان مشکلات را درون هر عنوان شناسایی کرد و تحلیل کیفی را انجام داد- در صورت لزوم صفحه ها را گردآوری کرد و تثبیت کرد - که در این جا ممکن .نیست یکی دیگر از اشکال ها این است که بر خلاف پاندورا-که در آن اجازه ناشر برای آرشیو کسب می شود- در اینجا چنین امکانی وجود ندارد ،بنابراین با توجه به قانون کپی رایت (حق تأليف) فعلی استرالیا که طبق آن نشریات برخط شامل واسپاری قانونی نیستند در حال حاضر، قادر نیستیم آن چه را که حفظ شده به عموم نمایش دهیم البته این عبارت به این معنی نیست که هیچ کاری در این آرشیو انجام نمی شود، چرا که دانشگاهیان در حال کار بر روی این داده ها هستند و به نظر می رسد تحقیقات آن ها

ص: 153

ارزشمند باشد آرشیو- آی تی سرویس آرشیو وب های میزبانی شده توسط آرشیو اینترنت است. اولین (و تا کنون تنها) سازمانی که در استرالیا از این سرویس استفاده کرده و می کند بخش مجموعه های آسیایی کتابخانه ملی (http://www.nla.gov.au/asian/asianwebarchive html) است.

از آرشیو-آی تی برای جمع آوری مجموعه ای از وب گاه های خارج از کشور استفاده می شود که رویدادهای خاص اجتماعی و سیاسی را ضبط می کنند؛ زیرا انتظار نمی رود که هیچ سازمان دیگری در منطقه این نقش را به انجام برساند گزینه میزبانی نیز از آن رو انتخاب شد که به نظر می رسید می تواند راهی سریع و آسان برای جمع آوری و نگهداری مجموعه ها باشد و به مهارت های فنی نیاز ندارد و میزان زیادی از وقت کارکنان را نمی گیرد. در حالی که خیلی زود معلوم شد فقط قسمتی از این واقعیت دارد چرا که برای ساخت موفقیت آمیز مجموعه ها زمانی بسیار زیادتر از آن چه تصور می شد صرف شد گزینش وب گاه ها برای ،خزش فعالیتی است که اغلب با سو تفاهم همراه است و می تواند به طور شگفت آوری زمان زیادی بطلبد.

در حالی که استفاده از آرشیو آی تی دارای این مزیت است که دیگر در مورد میزبانی و حفظ محتوای جمع آوری شده نگرانی وجود نخواهد داشت. البته برخی مشکلات عمده در مورد عدم کنترل مواد آرشیوی و نمایش توابع وجود دارد. آرشیو آی تی اجازه می دهد تا برخی URL های هسته انتخابی جمع آوری شوند؛ با وجود این، اگر فایل های جمع آوری شده از بین بروند چه جمع آوری بشوند چه جمع آوری نشوند، هیچ راهی برای اصلاح خرابی یا از دست دادن محتوا وجود ندارد که بتوانید با سیستم خود انجام دهید به همین ترتیب، کنترل واقعی یا مالکیت فرآیند نمایش نیز وجود ندارد؛ به طوری که به عنوان مثال یک پیوند به URL هسته که جمع آوری نشده ، هم چنان درون یک مجموعه ظاهر می.شود یکی دیگر از اشکال ها این است که اگر شما اشتراک سالیان خدمات خود را قطع کنید مجموعه های شما به مخزن محتوای آرشیو اینترنت عمومی باز می گردد. با وجود این مسائل کتابخانه در نظر دارد به آرشیو با استفاده از این روش ادامه دهد.

سایت های آرشیو شده با استفاده از آرشیوآی تی برای مجموعه های آسیا - کتابخانه ملی استرالیا

Papua New Guinea Government and Research Websites

(http://archive-it.org/collections/1039)

وب گاه های انتخابی مؤسسه های دولتی و پژوهشی مهم پاپوآ گینه نو که از سال 2008 آرشیو شده اند. برخی سایت های آرشیوی که در زمان ضبط کردن جاری نبودند.

(http://archive-it.org/collections/918)

(http://archive-it.org/collections/1040)

وب گاه انتخابی بین المللی بین الدولی مرتبط با انتخاب عمومی سال 2007 تایلند

وب گاه های منتخب دولتی، احزاب سیاسی و رسانه های مرتبط با انتخابات ملی کامبوج سال 2008

(http://archive-it.org/collections/937)

(http://archive-it.org/collections/1054)

وب گاه های منتخب بین المللی مرتبط با شورش راهبان برمه سپتامبر- اکتبر 2007

وب گاه های انتخابی دولتی و غیر دولتی جمهوری دموکراتیک خلق لائوس که از سال 2008 آرشیو شده اند.

ص: 154

(http://archive-it.org/collections/920)

وب گاه های انتخابی بین المللی بین دولتی و پاپوآگینه نو مرتبط با انتخابات پارلمانی پاپوآگینه نو در سال 2007 . شامل تصاویری از وبگاه کمیسیون انتخابات پاپوآگینه نو ، دادخواست انتخابات پاپوآگینه ،نو گزارشی از گروه ارزشیابی انتخابات انجمن جزایر مشترک المنافع اقیانوس آرام و بیانیه رسانه ای شفافیت بین المللی (پاپوآگینه نو).

(http://archive-it.org/collections/912)

وب گاه های منتخب بین المللی بین دولتی مرتبط با انتخابات ریاست جمهوری و پارلمانی تیمور شرقی در سال 2007 شامل آموزش رأی دهندگان و مواد تبلیغاتی سیاسی

وب گاه های منتخب اندونزیایی

(76644-http://nla.gov.au/nla.arc شامل بیش از 700 فیلم) را جمع آوری کردیم، با مراجعه به مهارت های فنی در بخش فناوری اطلاعات توانستیم برای فیلم ها URL ها را از سایت جاری استخراج کنیم آن ها را بارگیری کنیم و تغییرات ضروری را برای گردآوری صفحات وب انجام دهیم.

هیچ یک از این فرآیند ها سریع نبود و همه به مقدار نسبتاً خوبی از مهارت های فنی نیاز داشتند، از جمله کد گذاری مجدد صفحات آرشیو شده با تغییراتی که باید انجام می دادیم تا فیلم ها درون آرشیو قابل پخش باشند. همچنین به خاطر انتخابات حفاظت از اسناد برخط در دولت پیشین نیز به ما سپرده شد. با پیش بینی این امر طرح هایی (همان گونه که برای انتخابات پیشین داشتیم) ساخته بودیم و تمام وب گاه های وزارتی دولت را آرشیو کرده بودیم؛ در حالی که آن ها درست قبل از تاریخ انتخابات در حالت مستحفظ بودند این کار صورت گرفت زیرا گمان می رفت با یک تغییر احتمالی در دولت حذف كلى محتوا از اینترنت وجود داشته باشد همان گونه که در حوزه های قضایی دیگر اتفاق افتاده .بود. از آن جا که انتشارات وب برخی بخش های دولتی به ویژه بخش هایی که دارای اسناد تغییر یافته بودند، از دید عموم حذف شده ،بود این دور اندیشی اجر نهاده شد.

البته با پذیرش این مسئولیت که می توانیم درون سازمان خود یا سازمان مادر از حفظ و پشتیبانی آن چه در وب گاه سازمان قرار گرفته اطمینان حاصل نمائیم این ،جنبش به ویژه به طور قابل توجهی در دولت و دانشگاه ها در مورد حرکت نشریات از چاپی به برخط ادامه می یابد آن چه ما پیدا کرده ایم این است که نباید مطمئن باشیم که نشریات برخط در وبگاه ناشران در بلند مدت (و یا حتی کوتاه مدت) در دسترس باقی بمانند دانشگاه ها در حال حاضر، مجبور به ایجاد مخازن رقومی برای خروجی فکری خود هستند و در این راه نشریات آن ها دسترس پذیر باقی می مانند. در حالی که ممکن است انتظار داشته باشیم که وب گاه های دولتی دسترسی عمومی خود را حفظ نمایند؛ تجربه نشان می دهد که این موضوع همیشه صادق نیست بنابراین اگر نشریه ای برای مجموعه و یا کاربران شما ارزشمند است، عاقلانه این است که تلاشی در جهت حفظ دسترسی بلند مدت آن انجام شود.

و فقط مقداری تفاوت های واژگانی دارند، اما از لحاظ نظام نوشتاری کاملاً متفاوت هستند چرا که خط فارسی ایرانی از الفبای عربی اقتباس شده است و خط فارسی تاجیکی الفبای سیریلیکی دارد. از دیدگاه رده شناسی (1) ، زبان فارسی از برخی ویژگی های سه رده زبانی زبان های تحلیلی (2)، زبان های تصریفی (3) و زبان های پیوندی (4) برخوردارست. این تمایز سه گانه بر اساس ساختار واژگانی زبان تعریف می شود و از آن جا که ذخیره و بازیابی اطلاعات و نمایه سازی غالباً بر اساس واژه صورت می گیرد به نظر می رسد که توجه به این تمایز از اهمیت ویژه ای برخوردار باشد. زبان تحلیلی زبانی است که واژه های آن بر اساس نقش (فاعلی، مفعولی و...) هیچ گونه تغییری نکند و صرفاً جایگاه آن در جمله نشان دهنده نقش واژه باشد کریستال (2008 ، 256) در زبان های ،تصریفی واژه غالباً از چند تکواژ (5) تشکیل می شود که نشان دهنده روابط دستوری است در این زبان ها جایگاه واژه در جمله نشان دهنده نقش واژه نیست بلکه تصریف و حالت (6) واژه نقش واژه را به تصویر می کشد (همان، 244) و بالاخره زبان پیوندی زبانی است که واژه های آن غالباً از بیش از یک تکواژ تشکیل شده اند و هر کدام از تکواژها نشان دهنده یک نقش یا رابطه دستوری است (همان، 16). البته لازم به ذکر است که تمایز زبان تصریفی و پیوندی در آن است که تقطیع و تعیین تکواژهای واژه در آن امکان پذیر است و به راحتی می توان مرز آن ها را تعیین نمود اما در زبان های تصریفی واژه غالباً صرف شده و تکواژها نه به صورت منظم و به ترتیب بلکه به شکل تجمعی در یک صورت کلمه (7) ظاهر می شوند صورت های مفرد و جمع واژگان روایت /روایات عاقبت/ عواقب مدرسه/ مدارس و ده ها مثال دیگر که البته وام واژه هایی (8) از زبان عربی هستند نشان دهنده وجود تصریف در زبان فارسی .است از دیگر سو صد ها مثال مانند واژه دانشگاهی (دان + ِ ش + گاه +ی) نشان گر وجود ویژگی زبان پیوندی در فارسی است اگر چه تحقیق جامعی در تمایل بیش تر زبان فارسی به هر یک از این سه رده صورت نگرفته اما به نظر می رسد که زبان فارسی به زبان تحلیلی نزدیک تر بوده و از ترتیب واژه برای نمایش نقش های دستوری بیش از شیوه های دیگر بهره می برد. از بحث های مرتبط با بحث توالی اجزای واژگانی می توان به بحث هسته (9) واژه مرکب اشاره نمود در زبان فارسی واژه مرکب از نظر معنایی و بر اساس هسته واژگانی خود به چهار دسته برون ،مرکز درون مرکز (هسته آغازی، هسته پایانی) دو سویه و متوازن تقسیم می شود. در واژه مرکب برون مرکز هیچ کدام از اجزای واژه هسته را تشکیل نمی دهند برای مثال «آب سیاه» نام یک بیماری است و نه آب است و نه سیاهرنگ در واژه مرکب درون مرکز یکی از اجزای واژه هسته است و به دو نوع هسته -آغازی و هسته پایانی

ص: 160

تقسیم می شود. برای مثال «موش خرما» هسته آغازی و «مویرگ» هسته پایانی است. در واژه مرکب دوسویه هر دو جزء به یک مرجع واحد اشاره می نماید مانند «سرباز - معلم» و بالاخره اینکه در واژه مرکب متوازن هر دو جزء به یک اندازه در ساخت کلمه مرکب نقش دارند؛ مانند «دخل و خرج» شقاقی (123، 1386 -124).

نکات پیش گفته تنها بخشی از مهم ترین ویژگی های زبان فارسی است که به صورت بالقوه قابلیت ایجاد بزرگ ترین چالش ها را در بحث ذخیره و بازیابی اطلاعات دارد عمده ترین دلیل چنین امری آن است که ماشین قابلیت تشخیص ترتیب و نقش دستوری را به خودی خود ندارد و همین امر منجر به بازیابی منابعی می شود که بعضاً مورد نیاز کاربر نبوده و عملاً پاسخی به نیاز وی نخواهند بود. بنابراین بی شک بعد زبان شناختی فرایند ذخیره و بازیابی اطلاعات یکی از مهم ترین و در عین حال چالش برانگیز ترین مسئله طراحی و کاربرد پذیری پایگاه ها است بازیابی اطلاعات با مسائل زبانی گره خورده و نمی توان بدون توجه به زبان مبدأ و ویژگی های آن نظام های بازیابی اطلاعات را در جهت افزایش جامعیت و مانعیت از یک سو و بهبود ربط از دیگر سو ارتقا بخشید. این نوشتار بر آن است تا از سه بعد رسم الخط صرف و معنا به بررسی مشکلات و چالش های زبان فارسی پرداخته و به صورت همزمان به نمونه هایی عینی از این مشکلات و نتیجه عدم توجه به آن ها در سطح وب و برخی از پایگاه های مقالات فارسی اشاره کرده و به آسیب شناسی زبان و خط فارسی در رابطه با این حوزه بپردازد.

دادن اسامی خاص محقق زاده و زارعیان (1383) با الگوگیری از زبان های لاتین چپ نویسی کاهش حروف از طریق جدانویسی قائل شدن به دو شکل کوچک و بزرگ حروف را در مورد زبان فارسی پیشنهاد می نمایند. علاوه بر این نگارش حروفی که خوانده شده ولی نوشته نمی شوند، ایجاد علامتی برای کسره اضافه و عدم تمایز بین «آ» و «ا» را نیز در جهت سازگار ساختن زبان فارسی با محیط های رایانه ای ضروری می دانند اسلامی (1386) نقطه دار بودن برخی از نویسه های فارسی را یکی از ایرادهای خط فارسی می داند؛ چرا که علاوه بر دشوار نمودن املای ،کلمات این ایراد اساسی را دارد که استفاده از برنامه نشانه خوان نوری (1) را برای متون فارسی دشوار می نماید. صفار مقدم (1386) فاصله گذاری را در ترکیبات فارسی ضروری دانسته و مفصلاً به مبحث فاصله گذاری درون کلمه ای و برون کلمه ای در انواع کلمات فارسی پرداخته است. گل تاجی و بذرگر (1389) با استفاده از یک سیاهه 17 کلید واژه ای مشکلات ریخت شناسی خط فارسی را در سه پایگاه اطلاعاتی مرکز منطقه ای اطلاع رسانی علوم و فناوری پژوهشگاه اطلاعات و مدارک علمی ایران و جهاد دانشگاهی مقایسه کرده و نتیجه می گیرند که هیچ کدام از پایگاه های مذکور به ور جامع به این مسائل توجه نداشته اند.

همان طور که از مرور آثار پیشین پیداست برخی از پژوهش ها به ضرورت اصلاح خط فارسی با توجه به محیط های رایانه ای و برخی به آموزش زبان فارسی توجه داشته اند که برخی از پیشنهادات مطرح شده در این راستا افراطی بوده و در صورت اجرا چهره خط فارسی را کاملاً دگرگون می نمایند برای مثال چپ نویسی استفاده از حروف بزرگ و کوچک و یا نگارش صداهایی که خوانده می شود. خط دارای ماهیتی محافظه کارانه بوده و به راحتی تغییر را نمی پذیرد. علاوه بر این تغییر آن به راحتی امکان پذیر نیست و به بسیج امکانات مادی و معنوی عظیمی نیاز دارد به نظر می رسد که در راستای حفظ گنجینه زبان فارسی باید خط فارسی را به همین صورت حفظ کرد و تنها با اعمال برخی اصلاحات و پیروی از دستور العملی واحد در جهت یکسان سازی خط فارسی از یک سو و کسب توانمندی های بیش تر در حوزه پردازش زبان طبیعی از دیگر سو به سمت رفع مشکلات بازیابی اطلاعات در سطح وب حرکت کرد.

(بیماری تنفسی) و اسم (مقوله دستوری) در موتور جستجوی جامع به نتایج کاملاً یکسان منجر شود و حال آن که منطقاً این دو کلیدواژه باید به بازیابی نتایج کاملاً متفاوتی منجر شود. به عبارت بهتر، قائل شدن این تمایز سطح ربط نتایج بازیابی شده به میزان چشم گیری افزایش می یابد. مثلاً در پایگاه مگ ایران این تمایز در نظر گرفته شده است و جستجوی کلیدواژه ها به نتایج متفاوت و مرتبط به کلیدواژه موردنظر می انجامد. (1)

چالش عمده دیگر در پیوند با رسم الخط فارسی متوجه نحوه فاصله گذاری است. همان طور که می دانیم اکثر نویسه (2) های فارسی با توجه به جایگاه نویسه در واژه به صورت منفصل یا متصل نگاشته می شوند و این خود امر آموزش و همچنین ذخیره و بازیابی اطلاعات را دشوار می سازد. فرهنگستان زبان و ادب فارسی دستورالعملی را تحت عنوان دستور خط فارسی تدوین کرده است تا به یکسان سازی و بهبود نگارش فارسی منجر شود یکی از مباحث این دستورالعمل به فاصله گذاری مربوط است. طبق این دستورالعمل در خط فارسی از دو فاصله یعنی نیم فاصله (درون کلمه) و فاصله کامل (برون کلمه) استفاده می شود رعایت فاصله کامل و نیم فاصله در پرهیز از بدخوانی بسیار راه گشاست (فرهنگستان زبان و ادب فارسی 1389 10). برای مثال در مورد نام و نام خانوادگی ایرانیان تنها فاصله گذاری دقیق است که باعث خوانایی و رفع ابهام می شود. زنجیره «علی رضا خانی» دو خوانش محتمل «علیرضا خانی» و «علیِ رضاخانی» دارد که تنها فاصله گذاری صحیح می تواند خوانش درست را تعیین نماید صفار مقدم 1386، 125) در بازیابی اطلاعات فاصله گذاری مخصوصاً در مورد واژه های مشتق و مرکب نقش تعیین کننده ای دارد چرا که پیوسته نویسی جدا نویسی کلید واژه های جستجو نتایج متفاوتی را بدست می دهد به عنوان نمونه پایگاه مگ ایران قابلیت جستجوی واژگان دو قسمتی را از طریق استفاده از نقطه فراهم آورده است اما کاربر با جستجوی واژه «خاکبرداری» در سه حالت «خاک. برداری»، «خاکبرداری» و «خاک برداری» به نتایج متفاوتی دست خواهد یافت با جستجوی واژه «خاک.برداری» 5 یافته بازیابی می شود در حالی که با جستجوی «خاک برداری» نتایج جستجو به 16 صفحه نیز می رسد. در میان این 16 صفحه یک نتیجه در برگیرنده واژه «خاک برداری» است در حالی که در میان نتایج 5 یافته اول نبوده و از 5 یافته اول حاصل از جستجوی «خاک.برداری» مورد در نتایج حاصل از جستجوی «خاک برداری» مشاهده نشد. این در حالی است که نتایج حاصل از جستجوی «خاکبرداری» 7 مورد بوده که کاملا متفاوت از دو جستجوی قبلی است. در واقع با جستجوی «خاک برداری» آن دسته از نتایج مرتبط در سایر جستجو ها به عنوان مرتبط ترین شناسایی نشده و در صفحات ،2 4 و 8 پراکنده اند. در پایگاه RCeST نیز جستجوی کلیدواژه «خاک+ برداری» 496 ، «خاکبرداری» 18 و عبارت «خاک برداری» 9 نتیجه را بازیابی می نماید بررسی نتایج جستجوهای «خاکبرداری و «خاک برداری» و مقایسه آن ها با یکدیگر نشان داد که تنها یکی از عنوان ها مشترک بوده است. این بدان معنا است که در هر دو پایگاه

ص: 163

جستجو با نگارش های متفاوت به ریزش کاذب منتهی می شود. بدیهی است تعداد زیاد بازیافت ها و کاهش دقت در 10 نتیجه اول، یافتن نتایج مرتبط را برای کاربر زمان بر و دشوار خواهد کرد. باید توجه نمود که واژه هایی مانند خاک برداری کتاب ،شناسی خودکشی و غیره از طریق فرایند ترکیب و اشتقاق ناپایگانی ساخته شده اند (شقاقی 1386 ، 99) و اجزای دوم آن ها یعنی «-برداری»، «-شناسی» به طور مستقل بکار نرفته و استقلال واژگانی و معنایی ندارند بنابراین نظام های بازیابی اطلاعات باید راهکاری را برای جستجو در نظر گیرند تا این اجزا بصورت مجزا جستجو و بازیابی نشده و در ترکیبات مورد نظر به صورت یک واحد جستجو شوند.

الف مستقیماً وارد زبان ب می شود این واژه پس از ورود به زبان ب بر طبق قواعد آوایی زبان مقصد تغییراتی پیدا می کند تا تلفظ آن برای گویشوران آسان شود (شقاقی 1386، 127-131). با توجه به این که در حوزه های تخصصی سرعت استفاده و جذب علم و یا فناوری بالاتر از سرعت واژه گزینی در زبان مقصد می باشد، لذا بسیاری از واژگان به همان صورت زبان مبدأ در زبان مقصد آوانگاری می شوند. بدیهی است چنین فرایندی عمیقاً تحت تأثير نحوه تلفظ متخصص زمینه موضوعی بوده به طوری که امکان دارد یک واژه با املاهای متفاوتی نوشته شود؛ برای مثال سندروم / سندرم کلسیم / کالسیم، ئیدروژن/ هیدروژن این چندگانه نویسی باعث می شود که نه تنها ذخیره بلکه بازیابی اطلاعات نیز با چالش های فراوانی رو به رو شود به عنوان نمونه جستجوی معادل های آوانگاری شده واژه Psychology در پایگاه تخصصی مجلات نور ادعای پیش گفته را تأیید می کند برای واژه «پسیکولوژی» 95 یافته «پسیکولوگی» 3 یافته و «سایکولوژی» 8 یافته به دست آمد. لازم به ذکر است این نگارش های متفاوت به ترتیب بر اساس تلفظ ،فرانسه آلمانی و انگلیسی وارد زبان فارسی شده است.

متفاوت مقالات و مطالبی بازیابی می شود این در حالی است که فعل امر «بَردار» از این گروه حذف شده است و حال آن که در جستجو و بازیابی اطلاعات احتمال بازیابی گروهی از مطالب که دارای این واژه هستند نیز وجود دارد تصاویر 1 (الف و ب) شمایی از نتایج جستجو در دو پایگاه اطلاعاتی فارسی را به نمایش می گذارد همان گونه که در این تصویر مشاهده می شود الگوریتم های بازیابی اطلاعات در نظام های جستجو و بازیابی اطلاعات در شرایط معمول با استفاده از میزان حضور واژه در متن و این که واژه در کجای متن باشد به رتبه بندی نتایج جستجو می پردازند. چنین روشی در پیوند با حالت های معمول زبانی مشکلی ایجاد نمی کند اما در مواجهه با مشکلات زبانی می تواند منجر به بروز ریزش کاذب در نتایج شود. لازم به توضیح است دو نمونه ارائه شده در تصویر الف هر دو برگرفته از صفحه اول نمایش نتایج هستند که انتظار می رود مرتبط ترین نتایج را در اختیار کاربر قرار دهند.

ابهام های حاصل از هم آوایی هم نگاشتی و چند معنایی گونه های دیگری از ابهام های زبان فارسی به شمار می آیند در این گروه از ابهام های واژگانی واژه ها یا تلفظ یکسانی دارند و یا به گونه یکسانی نوشته می شوند در نظام های بازیابی مبتنی بر جستجوی متنی ابهام های حاصل از هم نگاشتی مشکلاتی را برای جستجوگران اطلاعات به همراه دارد این مشکلات در پاره ای از اوقات با ابهام مقوله ای هم پوشانی پیدا می کنند یکی از نمونه های بارز این نوع از ابهام حداقل در پیوند با حوزه ای فیزیک واژه «گَرم» و «گِرَم» است (تصویر 2)

ص: 166

عکس

تصویر 1 (الف و ب). نتایج بازیابی شده از دو پایگاه مقالات فارسی مرکز منطقه ای اطلاع رسانی علوم و فناوری و بانک اطلاعات نشریات کشور (مگ ایران). در هر دو مورد بازیابی بر مبنای الگوریم های معمول محاسبه ربط با توجه به حضور واژه در جمله انجام گرفته است

ص: 167

عکس

تصویر 2. نمایی از نتایج جستجو در پایگاه مجلات تخصصی نور

در همین راستا در حوزه معنایی (1) چالش دیگری تحت عنوان هم معنایی مطرح می شود. هم معنایی به وضعیتی گفته می شود که دو یا چند واژه به یک مفهوم واحد اشاره داشته باشند صفوی (1387، 160) بایستی به این نکته توجه داشت که بسیاری از علوم در ایران بومی نبوده و پژوهش گران و دانشجویان غالباً از طریق ترجمه آثار غربی با آن ها آشنا می شوند بنابراین اصطلاح گزینی برای واژگان علمی توسط یک مرجع واحد صورت نگرفته و گاه مترجمان و پژوهش گران با سلیقه شخصی دست به واژه گزینی می زنند به همین دلیل با وجود این که یکی از مهم ترین عوامل موفقیت ارتباط علمی شفافیت واژگانی است در بسیاری از زمینه های موضوعی برای بیان یک مفهوم واحد از چندین واژه متفاوت فارسی استفاده می شود. برای مثال در حوزه زبان شناسی برای هر مفهوم به طور متوسط سه واژه علمی فارسی وجود دارد (احمدی نسب 1390، 276). به همین دلیل همان گونه که پیش تر نیز بیان شد بازیابی اطلاعات در بسیاری از نظام ها بر پایه واژگان موجود در متن صورت می پذیرد، و از آن جا که در متون مختلف مفاهیم به صورت های مختلف ثبت می شوند، لذا با جستجوی یک صورت از مفهوم کاربر امکان دسترسی به صورت های دیگر همان مفهوم که منطقاً مرتبط با نیاز اطلاعاتی وی خواهد بود را از دست می دهد. برای مثال برای مفهوم Ontology در فارسی سه معادل هستی شناسی، هستان شناسی و آنتولوژی بکار می رود که جستجوی هرکدام از این کلید واژه ها تنها مدارکی را بازیابی می کند که صرفاً همان صورت واژگانی در آن ها بکار رفته است در حالی که هر سه واژه به یک مفهوم اشاره دارد (جدول 1)

ص: 168

عکس

جدول 1 تفاوت بازیافت ها در پیوند با سه صورت واژگانی متفاوت از یک مفهوم واحد

ابهام انتقالی در بحث ترجمه از یک زبان به زبان دیگر مطرح می شود. زمانی که واژه از زبان مبدأ به زبان مقصد آمده اما در زبان مقصد چندین برابر نهاده پیدا می کند برابر نهاده هایی که می توانند معانی متفاوت داشته و یا معانی مشابه و نگاشته ای متفاوتی داشته باشند. این دست از واژگان ابهام برانگیز زمانی ایجاد مشکل می کنند که ابزار جستجو و بازیابی اطلاعات در قالب یک نظام بازیابی اطلاعات بین زبانی نیز فعالیت .کند به عنوان نمونه 4 واژه Transpiration (تعرق)، Sweating (تعرق)، Evapotranspiration (تعرق و تبخیر) و Guttation (تعریق) هر کدام در زبان انگلیسی به یک معنا به کار برده می شوند مثلا در زبان مبدأ Transpiration برای گیاهان و در حوزه کشاورزی، و Sweating در پیوند با انسان به کار می رود این در حالی است که واژه های پیش گفته در زبان فارسی معادل نسبتاً یکسانی .دارند هم اکنون گوگل تا حدی قابلیت جستجوی بین زبانی در سطح وب را فراهم آورده است. اما زمانی که معادل واژه Transpiration در صفحات فارسی جستجو شود نتایجی مشابه با تصویر 3 بدست خواهد آمد. این در حالی است که نتایج زمانی که واژه تعرق به فارسی برای بازیابی صفحات انگلیسی به کار رو د به مراتب از پراکندگی بیش تری برخوردار خواهد بود؛ چرا که واژه تعرق در زبان فارسی برای بیان سه مفهوم متفاوت در زبان انگلیسی انتخاب شده است.

تصویر 3 نمایی از صفحه اول نتایج بازیابی شده بر اساس اولین برابر نهاده پیشنهادی گوگل برای واژه Transpiration

ص: 169

مسئله ایجاد یک نظام برای به هم نزدیک سازی ذهنیت پدیدآورنده و استفاده کننده از مسائل مهم در امر طراحی پایگاه های اطلاعاتی است. دسترسی مناسب به معنای ایجاد شرایط لازم از نظر زبان و واژگان اختصاص یافته به مدارک است؛ واژگانی که به کاربر در کاوش منابع یاری می رساند (مک ایوان 1379، 4) حال مشکل از این جا آغاز می شود که در پاره ای از پایگاه های اطلاعاتی، شخص سومی تحت عنوان نمایه ساز وارد شده و پاره ای از کلیدواژه ها را به مدارک با هدف بازیابی بهتر اختصاص می دهد در این فرایند با توجه به این که حلقه سومی در زنجیره ارتباطی میان پدیدآور و مخاطب ایجاد می شود اگر چه هدف بهبود بازیابی است اما گاه احتمال افزایش ضریب خطا اگر چه چه در ورود اطلاعات و چه در اختصاص واژگان کلیدی نیز وجود دارد (شاپوری 1379؛ Gross Taylor 2005) مسلماً دانش حوزه ای از طریق مطالعه حوزه ای حاصل می شود تحقیقات متعددی در تأیید این مطلب صورت گرفته است که وایلدرموث (Wildermuth، 2004) ضمن برشمردن برخی از آن ها تأکید می کند دانش حوزه ای و واژگانی افراد که عموماً برگرفته از متون تخصصی ،است نقش عمده ای در انتخاب واژگان جستجو دارد در چنین شرایطی وظیفه نمایه ساز به عنوان حلقه واسط نزدیک کردن دو زبان پدیدآور و مخاطب است خصوصاً در هنگامی که نظام بازیابی اطلاعات قابلیت برقراری این ارتباط را بصورت مؤثر ندارد با وجود ،این حجم زیاد متون ذخیره شده و کمبود نیروی انسانی توانمند متخصصان حوزه بازیابی اطلاعات را به سمت هرچه هوشمند ساختن بازیابی اطلاعات سوق داده است. تصویر 4 به منظور جمع بندی ساختواره ای درختی از اهم چالش های متصور در زمینه ذخیره و بازیابی اطلاعات را به نمایش می گذارد

عکس

تصویر 4. ساختواره درختی چالش های عمده زبانی در پیوند با ذخیره و بازیابی اطلاعات (1)

ص: 170

راهگشاست.

اگر چه در بسیاری از متون بحث رعایت فاصله گذاری مناسب به پدیدآور نسبت داده می شود اما هم چنان نیازمند نظام هایی با قابلیت تشخیص مناسب فاصله ها در واژگان مرکب (1) هستیم. در زبان فارسی یکی از شیوه های پر کاربرد واژه سازی استفاده از فرایند ترکیب است لذا تعداد واژگان ترکیبی در زبان فارسی بسیار زیاد است این در حالی است که در زبان فارسی به واسطه ماهیت زبانی و دستوری و نیز سهولت ،خواندن واژگان مرکب معمولا به صورت ناپیوسته همراه با یک فاصله یک حرفی ثبت می شوند. لازم به یادآوری نیست که در زبان انگلیسی این مشکل کمتر دیده می شود. به عنوان نمونه کلیه واژگانی که با «شناسی» همراه هستند. معمولا به صورت دو جزء جداگانه ثبت می شوند در حالی که در زبان انگلیسی "logy" بخشی از واژه به شمار می آید. بدیهی است رفع این مشکل تنها از طریق استفاده از عملگر And در یک فیلد جستجو امکان پذیر نمی باشد، چرا که منجر به افزایش تعداد بازیافت های غیر مرتبط می شود این در حالی است که چنان چه کاربری کلمات وارد شده در یک فیلد به شکل عبارتی تغییر یابد امکان بروز این خطا کمتر خواهد شد. اما با نگاهی به متون موجود در پیوند با رفع این دسته از چالش ها، حداقل در پیوند با زبان عربی استفاده از الگوریتم های N-gram پیشنهاد می.شود دلیل این امر قابلیت ارائه بافت واژه مورد جستجو همراه با واژه در قالب پیشنهادهایی برای بهسازی جستجوست (Mahmoud, Majed Kaldoun 2011).

مهار واژگانی یکی دیگر از راهبرد های مفید در زمینه بهسازی جستجو از طریق کم اثر سازی تعدد صورت های واژگانی و یا معنایی است بدین معنا که با ارائه صورت های مرجح، نامرجح و واژگان شامل و زیر شمول کلیه صورت های متفاوت یک مفهوم را ذیل یک مفهوم واژه پذیرفته شده گرد می آورد. واژگان مهار شده معمولا نمایان گر ساختواره ای از روابط معنایی و سلسله مراتبی بوده و استفاده از آن خصوصاً در برطرف ساختن چالش های هم معنایی، چندمعنایی، املاهای متعدد و وام گیری واژگانی کاراست (Svenonius 2003). این در حالی است که استفاده همزمان از اصطلاحنامه ها در کنار کلید واژه های زبان طبیعی یکی از کاراترین روش ها در این راستا به شمار می آید که از جمله پایگاه های موفق در این زمینه می توان به Eric ، INSPEC و LISA اشاره کرد.

در پایان خاطر نشان می سازد که تاکنون پیکره های فارسی مختلفی همچون همشهری محک بی جن خان و دادگان زبان فارسی تدوین شده است از این میان درودی و دیگران (1387) مجموعه محک وب را تهیه کرده اند که از آن می توان برای انجام مطالعات در حوزه بازیابی اطلاعات فارسی در وب استفاده نمود. این مجموعه dotIR نام دارد و استفاده از آن برای امور غیر تجاری رایگان است. مجموعه پیش گفته از یک پیکره استاندارد 50 پرس وجوی استاندارد 18 هزار داوری تعیین ربط پرس وجوها به اسناد پیکره و 50 هزار بردار ویژگی استخراج شده از اسناد، تشکیل شده و بیش تر مناسب پژوهش در رابطه با بازیابی اطلاعات است همشهری (2) مجموعه دیگری است که

ص: 172

توسط رهگذر و دیگران بر اساس اخبار روزنامه همشهری تهیه شده و دارای دو نسخه 1 و 2 است که نسخه دوم از امکانات بیش تری مانند پیوند به تصاویر و به اصل صفحات وب برخوردار است. از این مجموعه نیز می توان برای انجام پژوهش در حوزه بازیابی اطلاعات ،فارسی، پردازش زبان طبیعی و تدوین الگوریتم های ریشه یابی استفاده نمود. بر اساس این مجموعه پژوهش های متعددی صورت گرفته که از جمله می توان به آل احمد و دیگران (2007) اشاره نمود که با استفاده از این مجموعه مدل فضای برداری بر اساس n-gram و کلمه را ارزیابی کرده و نشان داده اند که بازیابی متون فارسی بر اساس مدل فضای برداری 4-gram و طرح وزن دهی Inu ltu نتایج قابل قبول و تحلیل محلی متن (1) بهترین نتایج را در برخواهد داشت. از پیکره های زبانی دیگر می توان به پیکره بی جن خان (2) اشاره کرد که از متون خبری و متون عمومی شامل 4300 موضوع تشکیل شده و بر اساس 40 مقوله دستوری فارسی بر چسب دهی شده است و مناسب پژوهش های مرتبط به پردازش زبان طبیعی است. نمونه دیگر پایگاه دادگان فارسی (3) است که توسط عاصی و دیگران در پژوهش گاه علوم انسانی و مطالعات فرهنگی تهیه شده است این پایگاه گونه های مختلف زبانی نوشتاری و گفتاری را در برمی گیرد و در آن امکان جستجوی واژه ها ترکیب ها و بررسی بسامد آن ها به همراه گزارش های آماری از متون وجود دارد. در این جا ذکر این نکته خالی از لطف نیست که متون موجود و پژوهش های انجام شده نشان دهنده این امر است که علی رغم وجود این پیکره های زبانی ،فارسی، پژوهش های چندانی بر اساس این پیکره ها صورت نگرفته است شاید بتوان این امر را به عدم اطلاع اکثر پژوهش گران از اهمیت و نقش پیکره های زبانی در تحقیقات در حوزه پردازش زبان ،طبیعی بازیابی اطلاعات و تهیه ریشه یاب ها و همچنین عدم آموزش کافی جامعه علمی در این زمینه نسبت داد. در این نوشتار نیز با توجه به چارچوب زمانی در نظر گرفته شده برای بررسی ،حاضر متأسفانه محققان قادر به بررسی دقیق این پیکره ها و استفاده از آن ها در این بررسی نشدند. بنابراین لازم است تا پژوهشی جامع، میزان موفقیت راهبردهای پیشنهادی این بررسی بر پایه پیکره های پیش گفته را بسنجد. هم چنین توصیه می شود که در طراحی و به سازی پایگاه های اطلاعاتی زبان فارسی کارگروه هایی متشکل از متخصصان علم اطلاعات و دانش شناسی زبان شناسی و علوم رایانه نقش اصلی را ایفا نمایند.

اسلامی، محرم 1386 خط فارسی و رسانه های گروهی دو فصل نامه پردازش علائم و داده ها. 8(2):93-98.

برنجیان شاپور رضا 13900. ریشه یاب ماضی و مضارع از مصدر افعال ناگذر در زبان فارسی. شیراز نوید شیراز مرکز منطقه ای اطلاع رسانی علوم و فناوری

دبیر مقدم، محمد. 1383. زبان شناسی نظری پیدایش و تکوین دستور زایشی (ویراست دوم) تهران انتشارات سمت.

درودی احسان و دیگران 1387 پیکره محک استاندارد برای تحقیقات بازیابی اطلاعات وب فارسی گزارش ،فنی گروه تحقیقاتی پایگاه داده ها دانشگاه تهران شماره: DBRG-TR-138702. http://ccc.ut.ac.ir/DBRG/webir/files/Papers/WebIR.pdf (دسترسی در 1391/10/19).

شاپوری، سودابه (1379) بررسی مشکلات جستجوی موضوعی استفاده کنندگان رایانه ای کتابخانه مرکزی دانشگاه فردوسی مشهد پایان نامه کارشناسی ارشد مشهد دانشکده علوم تربیتی و روانشناسی

شقاقی ویدا . 1386. مبانی صرف تهران: انتشارات سمت.

صفار مقدم، احمد. 1386 . فاصله گذاری در خط فارسی نامه فرهنگستان 9/4: 123-137.

صفوی ،کورش 1387. درآمدی بر معنی شناسی. تهران: انتشارات سوره مهر (حوزه هنری سازمان تبلیغات اسلامی)

فرهنگستان زبان و ادب فارسی 1389. دستور خط فارسی چاپ نهم تهران: فرهنگستان ادب و زبان فارسی (نشر آثار).

فلاحتی فومنی، محمدرضا 1385 ابهام در ماشین ترجمه کتابداری و اطلاع رسانی. 9 (3): 38 - 21

کامری ،برنارد جان ماونتفورد ویوین ،لا و د. آ. کروز 1990. زبان های دنیا چهار مقاله در زبان شناسی ترجمه کورش صفوی 1384 تهران: انتشارات سعاد.

گل تاجی، مرضیه و سعیده برزگر. 1389 بررسی مشکلات ریخت شناسی زبان فارسی در سه پایگاه اطلاعاتی مرکز منطقه ای اطلاع رسانی علوم و فناوری پژوهشگاه اطلاعات و مدارک علمی ایران و جهاد دانشگاهی کتابداری و اطلاع رسانی 13 (2): 191-214

مک ایوان اندرو .(1379) استفاده از سر عنوان های موضوعی کتابخانه کنگره: هزینه همکاری برای رسیدن به دسترس پذیری ترجمه مجتبی اسدی گزیده مقالات ایفلا 98 (آمستردام: 21 - 16 اوت 1998) (ص. 59 - 47) تهران کتابخانه ملی جمهوری اسلامی ایران.

محقق زاده محمد صادق و کاظم زارعیان 1383 ارائه راه حل برای برخی مسائل اتوماسیون و نگارش فارسی. فصلنامه اطلاع- رسانی 19 (3 و 4): 1-10.

معصومی همدانی حسین 1381 خط فارسی و رایانه نشر دانش. 19 (2) 2-6

مواجی وحید محرم اسلامی و بهرام وزیر نژاد 1390. پارس مورف: تحلیل گر صرفی زبان

ص: 174

فارسی. دو فصلنامه پردازش علائم و داده ها 15 (1)

Aleahmad, Abolfazl. et al. 2007. N-Gram and Local Context Analysis for Persian Text Retrieval, International Symposium on Signal Processing and Its Applications, Sharjah U.A.E. Retrieved 2013-01-8 From http://ece.ut.ac.ir/dbrg/hamshahri/files/ Papers/isspa.pdf

Anis, Z. et al. In Press. Contribution to Semantic Analysis of Arabic language. Advances in Artificial Intelligence. Retrieved 2012-11-10 From http://www.hindawi.com/ journals/aai/aip/620461/

Crystal, David. 2008. A dictionary of linguistics and phonetics. Six Edition. Blackwell Publishing.

Gross, Tina, Arlene G. Taylor. 2000. What Have We Got to Lose? The Effect of Controlled Vocabulary on Keyword Searching Results. College Research Libraries. 66(3): 212 -230. Retrieved August 2, 2006, From www.ala.org/ala/acrl/acrlpubs/crljournal/ backissues2005a/crlmay05/Gross.pdf

Mahmoud, R., S. Majed, and Z. Kaldoun. 2011. Improving Arabic information retrieval system using N-gram method. WSEAS Transactions on Computers 10 (4): 125-133.

(Svenonius, E. 2003. Design of Controlled Vocabularies. Encyclopedia of Library and Information Science (822-838). New York: Marcel Dekker (reprinted from the first edition, 1989.

Wildermuth, Barbara M. 2004. The Effects of Domain Knowledge on Search Tactic Formulation. Journal of the American Society for Information Science and Technology. 55(3): 246–258.

ص: 175

32 امتیاز مربوط به صحت اطلاعات (5 درصد) ، 26 امتیاز مربوط به روزآمد بودن (4 درصد)، 21 امتیاز مربوط به سطح پوشش و مخاطبان خاص (3 درصد31) امتیاز مربوط به نماهای تعاملی و تبادلی (5 درصد)، 34 امتیاز مربوط به عینیت اطلاعات (5 درصد)، 166 امتیاز مربوط به رعایت معیار کلی ناوبری در سایت (جمعا: 25 درصد)، به تفکیک شامل: 9 امتیاز مرتبط با ویژگیهای عنوان مرورگر (1 درصد) 22 امتیاز مرتبط با ویژگیهای عنوان صفحه (3 درصد) 92 امتیاز مرتبط با پیوندهای متنی و فرامتنی (14 درصد)، 6 امتیاز مرتبط با نشانه اینترنتی (1 درصد)، 25 امتیاز مرتبط با نقشه سایت یا نمایه (4 درصد) 12 امتیاز مرتبط با موتور جستجوی داخلی (2 درصد) ، 64 امتیاز مربوط به نماهای غیرمتنی (10 درصد)، 77 امتیاز مربوط به قابلیت دسترس پذیری (12 درصد)، 99 امتیاز مربوط به کارآمد پذیری (15درصد) و 6 امتیاز مربوط به ویژگی های ظاهری (1 درصد) است

همان گونه که از جدول 1 مستفاد می شود یافته های تحقیق نشان می دهد که وب سایت نهاد کتابخانه های عمومی کشور از لحاظ رعایت معیارهای «اعتبار اطلاعات» 45 امتیاز (42 درصد)، «صحت اطلاعات» امتیاز (53 درصد)، «روزآمد بودن» 7 امتیاز (26 درصد)، «سطح پوشش و مخاطبین خاص» 10 امتیاز (47 درصد) «نماهای تعاملی و تبادلی» دارای 12 امتیاز (38 درصد)، «عینیت اطلاعات» 15 امتیاز (44 درصد) از لحاظ معیارهای کلی «ناوبری» 103 امتیاز (62 درصد) «نماهای غیر متنی» 18 امتیاز (28 درصد) «دسترس پذیری» 48 امتیاز (62 درصد)، «کارآمدی» 51 امتیاز (51 درصد) و در نهایت در رابطه با آخرین معیار مورد بررسی که ویژگی های «ظاهری» 6 امتیاز (1000 درصد) را به طور کامل به خود اختصاص داده است. یافته های این پژوهش با عصاره که به بررسی وب سایت های 58 کتابخانه ملی جهان با هدف شناسایی ویژگی های شاخص در طراحی وب سایت یک کتابخانه ملی به روش تحلیل محتوا و ارزیابی بر مبنای سیاهه وارسی (وب سایت کتابخانه ملی آمریکا 80 درصد، وب سایت کتابخانه بیمارستانی انگلستان 28 درصد و وب سایت کتابخانه ملی کشورهای مالزی و دانمارک 72 درصد با سیاهه وارسی و وب سایت کتابخانه ملی ایران 51 درصد با سیاهه همخوانی داشتند) و نیز با یافته های تحقیق حاجی زین العابدینی که به بررسی وضعیت وب سایت های کتابخانه های ملی جهان از نظر میزان مورد استفاده قرار گرفتن از طریق پیوندهای آن ها می پردازد همسو است. و در بعد دسترس پذیری نیز با یافته های محمد اسماعیل و کاظمی در تحقیقی با عنوان دسترس پذیری وب سایت کتابخانه های ملی ،خاورمیانه با استفاده از سیاهه وارسی ای مشتمل بر 13 مؤلفه که در آن به بررسی تطبیقی وب سایت سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران با وب سایت های کتابخانه های ملی کشورهای اسلامی در منطقه خاورمیانه می پردازد کاملا مطابقت و همسویی دارد.

ص: 179

عکس

جدول 1 سیاهه ارزیابی کاربردپذیری وب سایت نهاد کتابخانه های عمومی کشور از نظر میزان رعایت مؤلفه ها (به تفکیک)

ص: 180

عکس

ص: 181

عکس

ص: 182

عکس

ص: 183

عکس

ص: 184

عکس

ص: 185

5. خوانساری، جیران ساختن سایت های وب موفق برای کتابخانه های کوچک دانشگاهی. صنعت برق 54 (آبان) ص. 28-24.

6. دایره المعارف کتابداری و اطلاع رسانی ج. 1و 2. 1381 تهران: نهاد کتابخانه های عمومی کشور، .1381

7. رضایی شریف آبادی ،سعید، فرودی، نوشین 1381. ارزیابی صفحات وب کتابخانه های دانشگاهی ایران و ارائه الگوی پیشنهادی فصلنامه کتاب دوره سیزدهم 4 (زمستان) ص. 19-12.

8. عصاره، فریده، مرادمند، علی 1384. شناسایی ویژگی های عمده در طراحی وب سایت های کتابخانه های ملی جهان به منظور ارائه الگویی مناسب جهت ارتقاء کیفی وب سایت نهاد کتابخانه های عمومی کشور. فصلنامه اطلاع شناسی پاییز و زمستان شماره 1و 2.ص. 190-170

9. عصاره فریده 1381 معیارهای ارزیابی منابع اینترنتی فصلنامه کتاب، دوره سیزدهم 2 (تابستان). ص. 73-61

10. محمد اسماعیل صدیقه 1383. بررسی کاربرد پذیری وب سایتهای دانشگاه های صنعتی کشور. پایان نامه دکتری کتابداری و اطلاع رسانی تهران دانشگاه آزاد اسلامی واحد علوم و تحقیقات

11. محمد اسماعیل صدیقه 1384 بررسی کاربرد پذیری وب سایت های دانشگاه های صنعتی کشور فصل نامه کتاب دوره 16 شماره 1.

12. نویدی، فاطمه .1386 ارزیابی دسترس پذیری وب سایت وزارتخانه های دولت جمهوری اسلامی .ایران پایان نامه کارشناسی ارشد علوم کتابداری و اطلاع رسانی دانشگاه تربیت مدرس

13. Alexander, J. E. ,Tate, M. A.1999. Web Wisdom: who to evaluate and create information quality on the web. London, Mahwah, NewJersey.LEA: (Lawrence Erlbaum Associates).

14. Back, S. E.1997. Evaluation criteria: the good, The Bad and The Ugly: Or, Why It's a Good Idea to Evaluate Web Sources". [on-line] Available: http:lib.nmsu.edu/instruction/ evalcrit.html

15. Barker. J. 2004 Finding Information on the Internet: A Tutorial University of California. [on-line].Available:

16. www.lib.berkeley.edu/TeachingLib/Guides/Internet/Evaluate.html

17. Barker. J. 2003. Evaluating Web Pages: Techniques to Apply Questions to Ask." VC Berkeley - Teaching Library Internet Workshops, 12sep.2003.[on-line]. Available: http:// www.Lib.berkeley.edu/Teaching Lib/Guides/Internet/Evaluated.html

18. Berger. P. 1999 Web Evaluation Guide: Tramline, Incorporated. [on-line]. Available: http://www.infosearcher.com/cybertours/tours/touro4/-tourlaunch1.html

19. Bertot J.C. et al. 2006 Functionality, usability and accessibility: Interactive user-centered evaluation strategies for digital libraries”, Performance Management and Metrics, Vol. 7

ص: 187

No. 1, pp. 17-28.

20. Braynik. G. 2003. Atomatic Web Usability Evaluation: What Need to be done?. (29jan.2003): 1-16.[on-line]. Available: http://Usable.binghamton.edu.Atomatic Thesis. html

21. Clyde. L. A. 1996. The Library as information providers, The Homepage The Electronic Library. Vol. 14 no.6 pp:549-558.

22. Engle. M. 1996. Evaluating Websites: Criteria and Tools. New York Library Association Conference, Saratoga Springs, Ny. (October 1996): 1-3.[on-line]. Available: http://www. Library.Cornel.edu/Okuref/research/Webeval.html.

23. The Essential Web Site Usability Checklist. 2007. [on-line]. Available: www.dailybits. com.

24. Hupp.J.2008. Test Your Web Site: A 57- Point Checklist for Maximum Usability .[on- online]. Available: www.virtualhosting.com.

25. Jafari. A. Optimizing Campus Web Sites. EDUCASE QUARTERLY, No.2 2000:56-58.

26. Leggett. D. Quick Usability Checklist.2009, [on-line]. Available: www.uxbooth.com.

27. Meyers. P. J. 25-Point Web Site Usability Checklist, 2008. [on-line]. Available: www. usereffect.com

28. Nadler.D.M. and Furman.V.M. (2001). Access board issues final standards for disabled access under Section 508 of Rehabilitation Act, Government Contract Litigation Reporter, Vol. 14 No. 19, p. 14.

29. National Science foundation (NSF).Universal Design of College Algebra, 2008. [on- line]. Available: www.usablealgebra.landmark.edu

30. Nielsen.J.Coyne, K, Tahir, Marie, (2001). Make It Usable-Web Site Usability Magazine, (6 feb.2001): 1-5.[on-line]. Available: http://www.Pcmag.com/article2/0,4149,33821,00. asp, 23jan.2003.

31. Osareh.F. (2003). "A notice on content of library information science (LIS) schools websites, Libri (3): 262-265

32. The SEO File: Usability Checklist 2009. [on-line]. Available: www.theseofiles.co.uk.

33. Sloan, John. Rampo College Web Design Standards. Rampo College of New yersey Statements and policies.2001.[on-line].Available: http://www.guide.rampo.edu 1/ content/Webstandards.html

34. Stueart. R.D. Library and Information Center management fifth edition. Endewood,

ص: 188

Colorado: Libraries Unlimited ;INC, 1998.

35. Sullivan, T. Matson R. Barriers to use: Usability and Content Accessibility on the Web's Most Popular Sites. Interdisciplinary PhD. program in information Science, University of North Texas, Denton, 2000.

36. Tungar.M. N. Heuristic Evaluation.2002.[on-line]. Available: http://www.cc.gatech. edu/~manas/cs8803a/Heuristic.pdf.

37. Usability Guidelines Information Science Technology, 2004. [on-line]. Available: www. web.mit.edu.

38. "Web Usability Checklist. The College of New Jersey. 2008. [on-line]. Available: www. teng.edu.

39. Weibel .S.L. The World Wide Web and Emerging Internet Resource Discovery Standards for Scholarly Litrature. Library Trends.vol.43, No.4 1995:627-664.

40. Wilson, S. 1995 World Wide Web Design Guide. Indianapolis. IN: Hayden Books, 1995.

41. Zaphiris. P. Darin, Ellis, R. Website Usability and Content Accessibility of The Top USA Universities 2001. Dertoit, MI: Institute of Geronotology and Dept of Industrial and Manufacturing Engineering Wayne State University, 2001.

42. 50 Web Usability Tips to Attract and Retain Web Visitors 2009,:[on-line].Available: www.doshdosh.com.

ص: 189

کتابخانه ها و مراکز اطلاع رسانی به عنوان متولیان گردآوری سازماندهی و اشاعه اطلاعات، خود را موظف به گردآوری سازماندهی اطلاعات موجود بر روی وب می دانند یکی از چالش های فراروی کتابداران نحوه سازماندهی منابع وب بوده است تلاش های گسترده ای در خصوص سازماندهی اطلاعات بر روی وب صورت گرفته است تهیه انواع استانداردها و دست نامه ها و ابداع فراداده های متنوع سازماندهی منابع وب از جمله تلاش های صورت گرفته در جهت سازماندهی منابع وب است. (نشاط 1382)

2. مارک 21 (1)

3. آر دی اف (2)

4. طرح کدگذاری توصیف آرشیوی (3)

5. قالب ابر دادهای خدمات مکان یاب اطلاعات دولتی (4)

6. قالب ابر داده ای طرح کدگذاری متن (5)

می نماید برای استفاده هر چه کامل تر از محتوای اطلاعاتی وبگاه ها سازمان اسناد و کتابخانه ملی ایران که مسئولیت استاندارد سازی و نظارت بر سازماندهی را بر عهده دارد از پردازش و سازماندهی وبگاه ها نیز غافل نشود با عنایت به اینکه کتابخانه ملی ایران در عرصه پردازش انواع منابع کتابخانه ای اعم از چاپی و الکترونیکی وارد شده است لازم است برای روزآمد سازی کنترل مدیریت و سازماندهی وبگاه ها نیز طرح و برنامه ای داشته باشد. این پژوهش بر آن است تا امکان پردازش وبگاه ها را به عنوان نوعی از منابع الکترونیکی مهم در عرصه های ملی و جهانی توسط سازمان اسناد و کتابخانه ملی ایران مورد پژوهش قرار دهد.

بازیابی اطلاعات، لزوم سازماندهی آن ها را بیان نموده است. در تحقیق وی، بررسی امکان کاربرد شیوه های متعارف سازماندهی برای سازماندهی محتوای اطلاعاتی وبگاه ها توصیه شده است.

وارد (2001) (1) در مقاله ای به تشریح اهمیت فهرست نویسی منابع اینترنتی پرداخته است. در ادامه فهرستی از فعالیت های انجام شده در کتابخانه های ایالات متحده در خصوص سازماندهی منابع اینترنتی را ارائه کرده است.

وایلر (2) و همکارانش (2008) در پژوهشی به ارزیابی هزینه های پردازش و سازماندهی منابع وب در کتابخانه و دانشگاه ملی کرواسی پرداخته اند نتایج این پژوهش نشان داده است که زمان پردازش منابع وبی با پردازش منابع چاپی یکسان است.

یانگه ی (2011) (3) در پژوهشی به بررسی فاصله بین ایجاد کنندگان منابع وب و ایجاد کنندگان فراداده های آن ها به منظور بهبود عناصر فراداده پرداخته است. یافته های پژوهش نشان گر این بوده است که رضایت کاربر تا حد بالایی به مفید بودن سهولت استفاده و دریافت اطلاعات و اثر بخشی عناصر اطلاعاتی بستگی دارد.

4. کاربرد نظام های موضوعی مورد استفاده در سازمان اسناد و کتابخانه ملی ایران برای نمایه سازی وبگاه ها

در این پژوهش جهت دستیابی و دریافت اطلاعات وبگاه ها دو روش مورد بررسی قرار می گیرد:

1.استفاده از فهرست وب گاه ها

برخی وب گاه ها و پایگاه های اطلاعاتی فهرست وب گاه های مختلف را بر اساس تقسیم بندی های موضوعی ارائه می دهند به این ترتیب یکی از راه های دست یابی به اطلاعات وب گاه ها، استفاده از فهرست وب گاه ها .است نمونه فهرست های وب گاه ها را می توان در وب گاه ایران (1) پارس ایندکس و الكسا (2) و غیره جستجو کرد.

در این پژوهش برای دسترسی به حجم نمونه از جامعه مورد مطالعه وبگاه پارس ایندکس انتخاب شد و امکان دست رسی به بسیاری از وب گاه ها امکان پذیر گردید.

2.ورود اطلاعات وبگاه ها در وبگاه سازمان اسناد و کتابخانه ملی ایران

منابع اینترنتی گروهی از منابع اطلاعاتی به حساب می آیند و کتابخانه ملی به لحاظ رسالت خود، لازم است مانند کتاب ها و سایر منابع اطلاعاتی اقداماتی در خصوص فراهم آوری منابع اینترنتی نیز به انجام رساند. در این راستا وب گاه سازمان اسناد و کتابخانه ملی ایران می تواند درگاهی جهت دست یابی به اطلاعات وب گاه ها .باشد. بنابراین با طراحی «فرم الکترونیکی ورود اطلاعات وب گاه ها» و قرار دادن آن در وبگاه سازمان می توان به نشانی وب گاه ها و اطلاعاتی که برای پردازش آن ها مورد نیاز است، دست پیدا کرد.

جدول 1 فیلدهای پیشنهادی برای طراحی فرم الکترونیکی ورود وب گاه ها را نشان می دهد.

عکس

جدول 1 فیلدهای پیشنهادی برای طراحی فرم الکترونیکی ورود اطلاعات وب گاه ها

پرسش دوم: توصیف کتاب شناختی وب گاه ها بر اساس استانداردها و قواعد مورد استفاده در سازمان اسناد و کتابخانه ملی ایران چگونه است؟

جدول 2 عناصر پیشنهادی توصیف وب گاه ها را با استفاده از قواعد فهرست نویسی انگلوامریکن در بخش منابع الکترونیکی و در بستر فراداد های یونی مارک نشان می دهد.

ص: 197

عکس

جدول 2 فراوانی کاربرد قواعد انگلو امریکن و استاندارد یونی مارک در توصیف کتاب شناختی وب گاه ها

ص: 198

همان گونه که در جدول 2 مشاهده می شود بیش ترین کاربرد قواعد و استانداردهای مورد مطالعه برای توصیف وب گاه ها در ناحیه عنوان و پدیدآور با 76 درصد و کم ترین آن متعلق به ناحیه یادداشت با 51/4 درصد است. بنابراین در پاسخ به پرسش دوم می توان گفت امکان توصیف کتاب شناختی وب گاه ها اساس استانداردها و قواعد مورد استفاده در سازمان اسناد و کتابخانه ملی ،ایران به میزان 60 درصد است.

پرسش سوم: دسترسی جامع و مانع به وب گاه ها با ایجاد نقاط بازیابی و تحلیل موضوعی مورد استفاده در سازمان اسناد و کتابخانه ملی ایران چگونه است؟

بخش دوم قواعد فهرست نویسی انگلوامریکن قواعد مربوط به نقاط بازیابی و تحلیل موضوعی را ارائه می دهد جدول 3 فیلد های بکار رفته در یونی مارک را بدین منظور نشان می دهد.

عکس

جدول 3 فراوانی کاربرد استاندارد یونی مارک در نقاط بازیابی و تحلیل موضوعی وب گاه ها

با توجه به جدول، بیش ترین کاربرد استاندارد یونی مارک مربوط به بلوک 8 با 100 درصد است بعد از آن بلوک 6 با 82 درصد و بلوک 5 با 61/5 درصد قرار دارد کم ترین کاربرد نیز در بلوک 7 با 53/3 درصد مشاهده می شود بنابراین در پاسخ به پرسش سوم می توان گفت امکان دسترسی جامع و مانع

ص: 199

به وب گاه ها با ایجاد نقاط بازیابی و تحلیل موضوعی مورد استفاده در سازمان اسناد و کتابخانه ملی ایران حدود 70 درصد است.

پرسش چهارم: کاربرد نظام های موضوعی مورد استفاده در سازمان اسناد و کتابخانه ملی ایران برای نمایه سازی وب گاه ها چگونه است؟

در کتابخانه ملی، ایران منابع غیر کتابی با استفاده از زبان کنترل شده نمایه سازی می شوند. جدول 4 نظام های موضوعی مورد استفاده را نشان می دهد لازم به ذکر است علاوه بر نظام های موضوعی زیر، از سر عنوان های موضوعی کتابخانه کنگره (1)، سایر اصطلاحنامه ها و واژه نامه های موضوعی، دایره المعارف ها و بانک های اطلاعاتی عمومی و موضوعی جهت مستندسازی توصیف گر ها و پیشنهاد آن ها به نظام های موضوعی پیش گفته استفاده می شود

عکس

جدول4 فراوانی کاربرد نظام های موضوعی در نمایه سازی وب گاه ها

بر اساس جدول 4، هر کدام از نظام ها در حوزه موضوعی خود در جامعه مورد مطالعه بررسی شده اند. بنابراین در پاسخ به پرسش چهارم می توان نتیجه گرفت که کاربرد نظام های موضوعی مورد استفاده در سازمان اسناد و کتابخانه ملی ایران برای نمایه سازی وب گاه ها بالای 84 درصد امکان پذیر است.

منابع الکترونیکی اقدام به توصیف و تحلیل وبگاه ها نمود سپس آن ها را بر اساس نقاط بازیابی مختلف دسترس پذیر ساخت. با توجه به نتایج پژوهش، نمایه سازی و تحلیل موضوعی وب گاه ها نیز با استفاده از نظام های موضوعی پیش گفته امکان پذیر خواهد بود

در مقایسه نتایج این پژوهش با پژوهش های پیشین می توان خاطر نشان کرد نمونه سازماندهی وب گاه ها در کتابخانه ها در پژوهش «وایلر» و همکارانش و همچنین «وارد» مورد بررسی قرار گرفته است پردازش وب گاه ها از لحاظ هزینه و رضایت کاربران همان گونه که «وارد»، «وایلر» و همکارانش و هم چنین «یانگهی» در پژوهش خود اشاره کرده اند از اهمیت و ارزش والایی برخوردار است. فتاحی» و «حسن زاده» و همچنین «کوچ» و همکارانش نیز بر اعمال رده بندی و فهرست موضوعی، جهت دسترسی به وب گاه ها تاکید کرده اند. همچنین استفاده از قواعد و استانداردهای مرسوم سازماندهی از جمله قواعد فهرست نویسی انگلوامریکن و مارک برای سازماندهی وب گاه ها در پژوهش «حاجی زین العابديني»، «ویلیامسون» و «کوچ» و همکارانش مورد بررسی و تایید قرار گرفته است

به طور کلی از این پژوهش می توان نتیجه گرفت که استاندارد سازی موضوع سازماندهی و پردازش وب گاه ها به عنوان نوعی از منابع الکترونیکی و بومی سازی آن در سازمان اسناد و کتابخانه ملی ایران امکان پذیر است

سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران 117-103

حاجی زین العابدینی، محسن . 1381. بررسی مسائل فهرست نویسی منابع اینترنتی و ارائه دست نامه پیشنهادی برای کتابخانه های ایران پایان نامه کارشناسی ارشد دانشگاه علوم پزشکی و خدمات بهداشتی درمانی ایران دانشکده مدیریت و اطلاع رسانی پزشکی.

سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران بانک مستندات http://opac.nlai.ir (دسترسی در 1391/7/20).

عبداللهی، مریم 1383 ارزیابی وضعیت فهرست نویسی منابع الکترونیکی بر اساس قواعد انگلوامریکن در کتابخانه های دانشگاهی و آرشیوهای موجود در شهر تهران پایان نامه کارشناسی ارشد. دانشگاه آزاد ،اسلامی واحد تهران شمال

علی محمدی ،داریوش 1381 . ابر پایگاه های اطلاعاتی در شبکه جهانی .وب فصلنامه کتاب. 49(1): 93- 100

فتاحی، رحمت الله. حسن زاده محمد. 1385 نظر سنجی از کتابداران متخصص پیرامون شیوه های سازماندهی اطلاعات در وب سایت کتابخانه های دانشگاهی گزارشی از مرحله دوم یک طرح پژوهشی فصلنامه کتابداری و اطلاع رسانی 36 (4): 6-30.

کمیته ملی مارک ایران 1381 مارک ایران تهران: کتابخانه ملی جمهوری اسلامی ایران

نشاط، نرگس. 1382 چالش های سازماندهی موضوعی منابع وب اطلاع شناسی. 1: 37-54.

IFLA. 2008. UNIMARC concise bibliographic format. Available at: http://archive.ifla.org/ VI/8/unimarc-concise-bibliographic-format-2008.pdf [September. 2012].

Koch, Traugott et al. 1997. The role of classification schemesin Internet resource description and discovery. Available at:www.ub.lu.se/desire/radar/reports/D3,2,3/class-v10.html [September. 2012] .

Nielsen, J.2002. Top 10 guidelines for homepage usability. Available at: http://www.useit. com/alertbox/20020512.htm1 [September. 2012].

Steering Committee of American Library Association, et al.. 2002. Anglo American Cataloging Rules. Joint Chicago: American Library Association.

Ward, Diane. 2001. Internet resource cataloging: the SUNY Buffalo Libraries' response. OCLC Systems Services, 17 (1):19 – 26.

Willer, Mirna. Buzina, Tanja. Holub, Karolina. Zajec, Jasenka. Milinovic, Miroslav. Topolscak, Nebojsa .2008. Selective Archiving of Web Resources: A Study of Processing Costs. Program: Electronic Library and Information Systems. v42. n4: p341- 364.

ص: 202

Williamson N. J.1997. Knowledge structures and the Internet. Knowledge organization for information retrieval: proceedings of thesixth international study conference on classification research. University College London 16-18 June: pp23-27.

Younghee Noh. 2011. A study on metadata elements for web-based reference resources system developed through usability testing. Library Hi Tech, 29(2):242-265.

ص: 203

مجموعه های واسپاری نظیر STORS کتابخانه ایالتی تاسمانی و واسپاری الکترونیکی (1) کتابخانه ملی هلند

کتابخانه ملی ،استرالیا به دلیل مزایای موجود در رویکرد گزینشی این روش را انتخاب کرد این دلایل عبارت اند از:

• هر یک از اقلام موجود در آرشیو کتابخانه از لحاظ کیفیت مورد ارزیابی قرار گرفته و تا سر حد امکان با بهره گیری از قابلیت های فنی موجود در این زمینه کاربرد پذیر می شوند.

• هر یک از اقلام موجود در آرشیو را می توان به طور کامل فهرست نویسی، و به بخشی از کتاب شناسی ملی تبدیل کرد و داده های کتاب شناختی را به اشتراک گذاشت هم چنین در فهرست کتابخانه، اطلاعات کتاب شناختی منابع تحت وب با منابع دیگر ادغام شده و کاربران می توانند به صورت یکجا به تمامی منابع دسترسی پیدا کنند.

• هر کدام از اقلام موجود در وب می تواند به سرعت از طریق محیط وب برای مخاطبان خود دسترس پذیر شود؛ زیرا پیش تر تلاش شده اجازه انجام این کار از ناشران اخذ شود.

• ویژگی های هر یک از منابع موجود در آرشیو و شیوه طبقه بندی آن ها برای مدیران مجموعه شناخته شده است. این امر در نخستین گام توانایی ما را در توسعه روش ها و ابزار های گردآوری منابع ذخیره سازی و دسترس پذیری به آن ها افزایش می دهد افزون بر این شناخت و آگاهی، مدیران مجموعه را بر آن می دارد که سیاست ها و راهبرد های حفاظت و نگهداری منابع را به گونه ای اتخاذ کنند که امکان دسترس پذیر سازی منابع برای مدت زمان طولانی فراهم شود.

• سایت هایی را که برای روبات های جست وجوگر موجود دسترس پذیر نیستند نیز می توان شناسایی و گردآوری نمود و با استفاده از روش های دیگر- برای مثال بر حسب نام ناشر - مرتب کرد. این امر، نام های تجاری - که نیازمند رمز عبور ناشر هستند- و پایگاه داده ها را نیز در برمی گیرد.

با وجود مزایای فوق هر یک از رویکرد های موجود در زمینه ایجاد آرشیو تحت وب، معایبی نیز دارد. رویکرد گزینشی نیز از این قاعده مستثنا نیست این ،امر به کارمندان کتابخانه بستگی دارد که در محیطی مملو از اطلاعات کاملاً جدید به ایفای وظیفه می پردازند، عملکرد آن ها در این زمینه، باید به گونه ای باشد که در نهایت به قضاوت در خصوص آن چه که در آینده باید مورد تحقیق و تفحص قرار گیرد، بی انجامد و عرصه تحقیقات آینده را روشن سازد. رویکرد گزینشی همچنین به استخراج منابع، جدا از محتوا و پیوند میان آن ها با دیگر منایع خارجی می پردازد. از نظر توسعه و مدیریت آرشیو، بزرگ ترین نقطه ضعف رویکرد آرشیوی این است که روند کار فشرده و پر زحمت است و هزینه انجام کار به ازای هر منبع که قرار است آرشیو شود، بالاست.

اقدامی که در تاریخ خود حرکتی بسیار نو محسوب می شد و کمتر نوشته ای بدان پرداخته بود. حتی کسی نبود که بتوان از او آموخت. ما در مورد ایجاد آرشیوگان تحت وب اطلاعات کافی نداشتیم تا بتوانیم در این خصوص اقدام به تدوین طرح یا راهبردهای مناسبی جهت برآورد هزینه های مربوط به این کار کنیم. تنها در سایه برداشتن گام های کوچک عملی و با عنوان خودآموزی توانستیم به راهمان ادامه داده و رشد کنیم هیچ گونه کمک مالی خاصی برای انجام این کار جدید دریافت نمی کردیم، فقط مجبور بودیم آن دسته از کارکنان مجموعه سازی را که جدا از وظایف کاملاً سنتی ،خود، به کار جدید ایجاد آرشیوگان تحت وب علاقه مند بوده و از خود استعدادهایی در این زمینه بروز می دادند، برای انجام این کار جدید تربیت کنیم برای مثال شخصی در بخش فناوری اطلاعات باید بخشی از وقت خود را صرف این می کرد که چگونه می تواند منابع را از وب گاه های ناشران دریافت و اطالاعات آن ها را بر روی سرور کتابخانه نگهداری کند ما برای در اختیار گرفتن و مدیریت فایل های دریافت شده، تنها مجبور به استفاده از نرم افزارهایی بودیم که به طور رایگان موجود بود با اعمال چنین تدابیری نه تنها هزینه های اولیه ایجاد آرشیو تحت وب کاملاً اندک، بلکه عمدتاً در بودجه مربوط به کارکنان پنهان می شد.

با گذشت 9 سال عملیات مربوط به مراتب پیچیده تر شدند کتابخانه استرالیا نرم افزار پاندورا (1) یعنی آرشیو تحت وب استرالیا (2) را راه اندازی کرد که به مثابه آرشیوی کارآمد، وارد طرح شراکت با 9 کتابخانه دیگر استرالیا و نیز دیگر سازمان های مسئول گردآوری منابع فرهنگی، یکی پس از ،دیگری شد. در مجموع می توان گفت که این امر روندی رو به رشد و توسعه داشت، اما نهادها را با افزایش هزینه ها مواجه ساخت حجم افزونتر فعالیت های مربوط به ایجاد آرشیو و نیاز آن به پشتیبانی از مشارکت کنندگانی که از مکان های دور در این طرح شرکت می کردند، ضرورت ایجاد زیر ساخت های پیچیده فنی متشکل از سیستم ارسال و تحویل مدارک، مدیریت آرشیو، و ذخیره سازی را ایجاب می کرد این ،امر به مفهوم وجوب هزینه های ضروری در امر توسعه بود، هر چند که این هزینه ها همچنان از طریق بودجه های موجود پرسنلی برای توسعه مجموعه سازی و بخش فناوری اطلاعات فراهم می شد.

کتابخانه مذکور نمی توانست نظام مدیریت آرشیو مناسبی برای خریداری پیدا کند، بنابراین، نظام ایجاد آرشیو دیجیتالی پاندورا (پانداس) (3) به همراه نظام تحویل مدارک پاندورا، پا به عرصه وجود

گذاشتند. همچنین کتابخانه اقدام به خرید سیستم ذخیره سازی شیء دیجیتال (دی او اس اس) کرد که زمینه اشتراک منابع را میان پاندورا و دیگر مجموعه های دیجیتالی کتابخانه را فراهم می کرد.

یکی از چیزهایی که در 9 سال گذشته تغییر نکرده این است که: کتابخانه هنوز هیچ بودجه اضافی برای انجام این فعالیت ها در اختیار ندارد به طرزی عجیب شواهد موجود بر سودآور بودن چنین اقدامی دلالت دارد؛ لذا چنین مسئله ای ما را بر آن می دارد که بودجه ای را برای تحقق این امر از محل بودجه دولت استرالیا که هر ساله رقم آن رو به تزاید است تعریف نماییم با این حال هیچ گونه طرح کوتاه

ص: 207

مدت خاصی که بتواند بودجه ریزی این فعالیت را به گونه ای توجیه کند تا هنگام [طرح] اتمام به ثبات این فعالیت بی انجامد و آن را در حالت بی ثباتی و ناپایداری رها نکند، وجود ندارد.

هزینه های انجام طرح اثر گذار هستند.

افراد شرکت کننده در طرح پاندورا به بالاترین شکل بر حفظ اصل به طرفه العینی به نتایج مناسب (رسیدن خصوصیات ظاهری و کارآمد پذیری منبع) در باب منبع منتشره و یا وب گاه، و نیز توجه همزمان بر محتویات آن تأکید می ورزند به محض آن که فرد گردآوری کننده نسخه ای از یک منبع را بر روی سرور کتابخانه ملی قرار دهد افراد همکار در سازمان های دیگر نیز نسخه مزبور را جهت کسب اطمینان از جامعیت و کارآمدی آن و قبل از ارسال آن منبع به آرشیو جهت استفاده عموم، مورد بازبینی قرار می دهند. این تضمین کیفیت فرآیندی بسیار وقت گیر و در نتیجه گران قیمت و پرهزینه است که در واقع، گران ترین جنبه فرآیند فراهم آوری منابع نیز محسوب می شود.

هر عنوان در آرشیو بر مبنای رکوردهای موجود در کتابخانه ملی فهرستگان پیوسته کتابخانه های ،دیگر و برمبنای استفاده از اطلاعات پایگاه کتابشناختی ملی (فهرستگان مشترک اطلاعات کتاب شناختی منابع مربوط به بیش از 850 کتابخانه استرالیا به همراه فراهم آوری امکان دست یابی به منابع توسط خدمات مرورگر کین تکا (1)، فهرست نویسی گردیده است) تصمیم در اتخاذ چنین سیاستی از آن جهت صورت گرفته که امکان شناخت و استخراج منابع برخط یکپارچه سازی شده با دیگر منابع کتابخانه ای، امری بسیار مهم تشخیص داده شده است با وجود ،این محرز است که انجام چنین اقداماتی بر هزینه های مربوط به ایجاد آرشیو منابع تحت وب می افزاید.

عامل مهم و یاری کننده دیگری که به صرفه جویی زمانی و استفاده بهینه از اوقات کاری کارکنان منجر می شود شرایط مطرح در قوانین وا سپاری کشور استرالیاست. در بسیاری از ایالت های استرالیا، حتی آن هایی که مشترک المنافع هستند نیز قانون و اسپاری منابع و از آن جمله منابع برخط همچنان مهجور مانده و به تصویب نرسیده است تنها در بخش های شمالی این کشور اخیرا قانونی به تصویب رسیده است که به وضوح امکان واسپاری منابع برخط را میسر می سازد بدان معنا که تمامی کتابخانه های همکار در این طرح از جمله کتابخانه ملی باید قبل از تهیه نسخه ای از یک منبع نسبت به کسب اجازه از ناشر آن ،اقدام سپس آن را برای استفاده همگان در آرشیو دسترس پذیر کنند.

آزمایش آموزش و ارزیابی محسوب می شوند و موجب می گردند اهداف مذکور به خوبی اجرا و محقق .شود افزون بر ،این کارکنان واحد خدمات حفاظتی بخش مجموعه سازی مسئولیت دسترس پذیر سازی طولانی مدت محتوای آرشیو را بر عهده دارند.

در سال 2004 ، در زمان تخمین و برآورد هزینه های زیر سهم کمک های کتابخانه ملی به آرشیو پاندورا در قالب استفاده از نیروهای تمام وقت به شرح سطوح زیر بود:

شعبه آرشیو دیجیتال:

• 1 نفر نیروی تمام وقت در سطح مدیر – کتابدار

• 2 نفر نیروی تمام وقت در سطح یک نفر سرپرست یک نفر کارشناس پروژه های خاص -

• کتابداران

• 4 نفر نیروی تمام وقت در سطح کارکنان ستادی - کتابداران؛ و

• 17 نفر نیروی تمام وقت در سطح کارشناس رفع مشکلات فنی - دارای 5 سال سابقه کار در حوزه فناوری اطلاعات

• 2 نفر مدیر تمام وقت که 10 درصد از وقت خود را هر کدام صرف توسعه و نگهداری سیستم کنند؛

و

• 2 نفر مدیر تمام وقت که 25 درصد از وقت خود را هر کدام صرف توسعه و نگهداری سیستم نمایند. همان طور که در بالا ذکر شد نیروی انسانی شاغل در بخش حفاظت از منابع آرشیوی، به صورت تمام وقت در این طرح حضور داشتند، با وجود این هزینه های مربوط در این برآورد منظور نگردیده است.

هزینه های مستقیم عبارت بودند از:

• هزینه های کارکنان بخش آرشیو دیجیتال کتابخانه ملی؛

• هزینه های اداری بخش آرشیو دیجیتال از قبیل ،مسافرت ،آموزش شرکت در کنفرانس و

• تجهيزات اداری (شامل هزینه های فرد تأمین کننده)؛ و

• هزینه های مربوط به توسعه زیر ساخت ها و نگهداری از آن ها نظیر هزینه کارکنان بخش فناوری اطلاعات و خرید تجهیزات سخت افزاری و نرم افزاری

هزینه هایی که باید حذف شوند عبارت بودند از:

• هزینه های غیر مستقیم مانند تأمین ایستگاه های کاری کارکنان

• نورپردازی و محافظت از ساختمان و

• هزینه های مربوط به محافظت از محتوای منابع موجود در آرشیو

در برآورد هزینه ،حاضر فقط هزینه های انجام شده توسط کتابخانه ملی در نظر گرفته شد بدین معنی که هزینه های مربوط به استخدام کارکنان آرشیو که سازمان های شریک در نظر داشتند، حذف گردید.

و فهرست نویسی می پردازد.

از میان مجموعه وظایفی که در بالا اشاره شد، مدیر بخش ایجاد آرشیو دیجیتال، تنها متعهد به حمایت از شرکا و برقراری تماس با ناشران است اوقات وی بیش تر صرف ،مدیریت اعمال سیاست گذاری های ،توسعه تبلیغات و ارتباط با دیگر سازمان های فعال در امر ایجاد آرشیو تحت وب است. با وجود این حقوق و دستمزد وی جزء ضروری هزینه های کلی ایجاد آرشیو دیجیتال کتابخانه محسوب می شود و باید در برآورد کلی هزینه ها منظور شود.

در این میان کارمندانی نیز عهده دار انجام اموری هستند که کاملاً از حیطه وظایف آن ها خارج است. برای مثال، دو نفر از کتابداران هر هفته باید وقت خود را صرف میز مرجع موجود در اتاق مطالعه کند، و باید این مدت زمان را از مجموع مدت زمان حضور آن ها در آرشیو کسر کرد.

کتابخانه ملی به عنوان شریک اصلی پاندورا و تأمین کننده زیر ساخت های فنی دارای نقشی حمایتی نسبت به دیگر شرکاست و این ،امر به نوبه خود به صرف هزینه های بیش تری می انجامد. تمامی کارکنان بخش آرشیو دیجیتال مقادیر قابل توجهی از وقت خود را صرف برقراری ارتباط با دیگر همکاران و ارائه خدمات فنی پشتیبانی کننده به آن ها می کند کارمندان ،ستادی هر روز به طور متوسط 30 دقیقه از وقت خود را صرف انجام این کار ،یعنی برقراری ارتباط با دیگر همکاران و حمایت از آن ها می کند، در حالی که همزمان مدیر آن ها تنها 10 دقیقه از وقت خود را در هر روز صرف انجام این مهم می کند. لازم به ذکر است که هزینه های مربوط به موارد فوق در صورت هزینه های برآورد شده منظور نشده است.

هزینه های مربوطه در زیر آمده است:

• هزینه های مربوط به استفاده از نیروی انسانی جهت آرشیو هر منبع در آرشیو دیجیتال - به ازای هر مورد 168/36 دلار استراليا؛

• هزینه های فراهم کنندگان اقلام آرشیوی به ازای هر مورد 3/41 دلار استرالیا؛ و

• هزینه های مربوط توسعه زیرساخت ها و تعمیر و نگهداری اقلام آرشیوی به ازای هر مورد 6/791 دلار استراليا

همان گونه که ملاحظه می کنید، حقیقت تلخ پر هزینه بودن این کار سخت و پرمشقت، در رویکرد گزینشی ایجاد آرشیو وب به خوبی نمایان و قابل مشاهده است. هزینه های مربوط به نیروی انسانی، 94 درصد کل هزینه ها را تشکیل می دهد

خواهد شد که قیمت متوسط فراهم آوری منابع اطلاعاتی توسط سازمان های همکار کاهش یابد. هم اکنون فراداده ها توسط تعداد اندکی از ناشران به طور خودکار به رکوردهای مارک ارسال می شوند تا ضمن افزوده شدن به پایگاه داده های کتابشناختی ،ملی به طور همزمان در فهرستگان برخط کتابخانه نیز بارگذاری شوند این امر به کاهش هزینه ها خواهد انجامید.

محاسبات بیشتر در خصوص جزئیات مربوط به هر فعالیت (جمع آوری، تضمین کیفیت، و آرشیو منابع) بیان گر آن بود که تضمین کیفیت 86 درصد کل هزینه ها را تشکیل می دهد. چنان چه می توانستیم از نرم افزارهای قابل اعتماد در زمینه ارزیابی کیفیت در پانداس استفاده کنیم صرفه جویی در هزینه ها بسیار با ارزش تر و معنی دارتر می شد

افزون بر این کتابخانه مزبور تلاش می کند با انجام واسطه گری و لابی های مناسب، دولت استرالیا را متقاعد به بسط و گسترش امکان استفاده از قانون واسپاری منابع برخط ،کند تا از این طریق بتواند نسبت به رفع موانع موجود در زمینه ضرورت اخذ مجوز از ناشران به منظور تهیه نسخه منابع آرشیوی اقدام نماید. بدیهی است تحقق این امر موجب کاهش زمان کاری کارکنان آرشیو خواهد شد.

بهره گیری از فناوری به پیشرفت این امر کمک خواهد کرد، و ما را قادر خواهد ساخت که هزینه های مربوط به انجام این فعالیت را کاهش دهیم کنسرسیوم بین المللی محافظت از منابع اینترنتی که کتابخانه ملی نیز از اعضای فعال آن می باشد، در صدد تهیه مجموعه ای از ابزار های لازم جهت ایجاد آرشیو وب نظیر میانجی کاربر به طور اخص طراحی شده برای کتابخانه ملی .است انتظار میرود تحقق این امر نیز به کارآمد شدن این فعالیت بیانجامد.

National Library of Australia Certified Agreement 2004-2007 available here.

9. An "instance" is a single gathering of a title. It includes the gathering of a monograph that has been archived once only, the first gathering of a serial or integrating title (for example, a website that changes over time), and all subsequent gatherings.

10. International Internet Preservation Consortium http://netpreserve.org/about/ index.php (accessed 22 March 2005).

ص: 217

کار مجموعه، بسیار گسترده است، باید برای بخش بزرگی از فعالیت ها برای جمع آوری اطلاعات وب ها به صورت خودکار، تا آن جا که امکان پذیر است به روبات ها تکیه کرد این نوع جمع آوری اطلاعات غالباً بسیار سطحی است بخش های زیادی از دست رفته بسیاری از صفحات به طور ناقص بارگذاری می شوند و بعضی از انواع فایل و نیز وب های مخفی به طور کلی نادیده گرفته خواهند شد.

علاوه بر این، از آن جا که دریافت به طور خودکار انجام می شود در فواصل زمانی نامنظم نمی توان انتخابی آگاهانه از منابع داشته باشیم امکان در نظر گرفتن یا تشخیص مطالب مهم موجود - که ممکن است عمر کوتاهی داشته و یا به سختی شناسایی شوند - وجود ندارد ،البته بایگانی اینترنت و سایر پروژه های بایگانی وب در مقیاس بزرگ برخی امور خاص را انجام داده اند که در آن تلاش زیادی صرف توسعه مجموعه ها در محدوده خاصی از موضوع هایی شده است که انتخاب کرده اند. در هر صورت، تعداد این موضوع ها بسیار محدود است و طرح های پژوهشی زیادی باید آرشیوهای خود را توسعه دهند.

بیش ترین مشکل در پروژه های جامع بایگانی ،وب دسترسی محدود به محتواست. مهم ترین اصل شناسایی نشانی دقیق اینترنتی یک سند یا وبگاه است تا بازیابی اطلاعات مقدور شود. معمولاً جست وجوی این نوع بایگانی ها با استفاده از فراداده های توصیفی یا خدمات نمایه سازی متن کامل، امکان پذیر نیست. حتی اگر گزینه جست و جوی متن کامل در دسترس باشد عدم انتخاب آگاهانه منابع، تنها نتایج نامنظمی شبیه جست وجوی وب امروزی ارائه می دهد

با نگاه به این محدودیت ها بدیهی است که بایگانی اینترنت و برخی منابع دیگر، نه بایگانی اینترنت را به طور کامل انجام می دهند و نه راه های دسترسی مناسبی برای بسیاری از اهداف علمی و یا پژوهشی دیگر فراهم می کنند. در نتیجه بایگانی علمی در مقیاس کوچک به یک نیاز مهم تبدیل شده است. اما آیا بازگشت به پرسش مطرح شده در ابتدا امکان پذیر است؟

به برخی مسائل باید با رویکردی متفاوت نگاه کرد اگر برنامه ریزی سازمانی، برای بایگانی وب از محدوده کوچک تری آغاز شده باشد و بیش تر محدودیت های آن محدویت های بشری/ محدودیت های منابع سخت افزاری باشد برای نشان دادن برخی مسائل اصلی بایگانی دیجیتال برای مطالعه زبان چینی (DACHS) به عنوان مطالعه موردی مورد بررسی قرار خواهد گرفت. هر چند باید در ذهن داشته باشید که پروژه های متفاوت غالباً به روش ها یا راه حل های متفاوتی نیاز دارند.

عکس

جدول 1- حجم ذخیره مجموعه Dchs

نخستین بار هنگامی که اندیشه بارگذاری منابع برخط در موردچین در اواخر 1999 در هایدلبرگ مطرح شد، به هیچ وجه وضعیت آن برای کسی روشن نبود این اندیشه هنوز توسعه نیافته بود و به عنوان بخشی از برنامه ای بزرگ تر برای ایجاد مرکز اروپایی منابع دیجیتال در مطالعات چینی، با هدف بهبود شرایط مربوط به تحقیقات چین و دسترسی به اطلاعات در اروپا، معرفی شد. این پروژه، شامل فعالیت هایی همچون خرید طیف وسیعی از پایگاه داده های تجاری تمام متن حمایت از توسعه پروژه های پایگاه داده دانشگاهی و توسعه امکانات بود ،همچنین توسعه برای یافتن بیماری ایدز در منابع چاپی و غیر چاپی در چین و فراهم آوردن امکان دسترسی آزاد به تمام متن منابع به طور گسترده را شامل می شد. این پروژه به مدت پنج سال در نظر گرفته شد و امکانات مالی آن برای بهبود وسایل سخت افزاری موجود و برای استخدام برخی کارکنان - به عنوان دستیاران دانشجویی - صرف شد.

دستور عمل اصلی این پروژه «حداکثر انعطاف پذیری با حداکثر پاسخگویی» بود. این امر به این معنی است که فضایی برای توسعه طرح های تفصیلی بسیاری از پروژه های فرعی و حتی ایده هایی برای پروژه های فرعی جدید مورد نیاز وجود دارد.

در سال 2000، بیشتر به جذب پروژه های فرعی برای اجرای برنامه ریزی پیشرفته و سازماندهی مجدد زیر ساخت های فناوری اطلاعات مؤسسه پرداخته شد، و برنامه ریزی واقعی برای بایگانی وب در سال 2001 آغاز گردید.

برای پروژه بایگانی وب باید یک دستیار دیگر دانشجویی به صورت پاره وقت برای تهیه برخی امور (بارگذاری کردن بایگانی ایجاد ابر داده ها و مانند آن) استخدام می شد؛ زیرا کتابدار - علاوه بر مسئولیت های خود برای کتابخانه و محیط فناوری اطلاعات - باید کارهای مدیریت پروژه و توسعه سایر امور نیز در نظر داشته باشد در واقع سهم دستیار پروژه برای توسعه DACHS مهم است. مدرک تحصیلی بالای دستیار برای جلوگیری از تمرکز زدایی دانش در مورد چارچوب نظری پروژه ها اهمیت .دارد به خصوص اینکه وقتی کتابدار مؤسسه را جهت کار دیگری محل را ترک کند، اهمیت آن روشن خواهد شد.

البته برخی مسائل، با توجه به اندازه مؤسسه و امکانات آن باید در آغاز پروژه در نظر گرفته شود و به برخی سؤال ها نیز پاسخ داده شود مانند هدف دسترسی دراز مدت منابع بایگانی شده چیست؟ الزامات و نیازهای سخت افزاری و نرم افزاری برای ایجاد و نگهداری بایگانی چه چیزهایی است؟ چگونه انتخاب منابع باید به عنوان یک کار در حال انجام سازماندهی شود و چگونه باید اطلاعات ایجاد شده در دسترس قرار گیرد؟ و مهم تر از همه چه چیز دیگری نیاز است که برای یک برنامه ریزی مناسب در نظر گرفته شود و کجا در جست وجوی پاسخ باشیم؟

پاسخ به آخرین سؤال را می توان در سندی که در سال 2003 به چارچوب استاندارد بایگانی وب تبدیل شده پیدا کرد. 14721:2003 ISO که با عنوان OAIS (سیستم اطلاعات آرشیوی باز) شناخته می شود ثابت کرده است که از اهمیت حیاتی برخوردار است زیرا در آن پس زمینه های تئوری بسیار مهمی تعیین شده است و کمک می کند تا بسیاری از مسائل مهم بایگانی وب را در آن ببینیم.

این سند مفید یک اشکال عمده نیز دارد: همان طور که از نام آن پیداست، فقط چارچوبی برای راهنمایی های تئوری در مسائل مختلف است و پیاده سازی واقعی مهارت های کاربر را ارائه نمی دهد ،بنابراین لازم است جست و جوی دیگری برای درک چگونگی تبدیل چارچوب به عمل انجام شود.

اطلاعات بسیاری می توان در جاهایی مانند ،RLG PADI و مانند آن یافت اما مهم تر از آن مشارکت فعالانه در کارگاه ها و همایش هایی است که در برخورد با مسائل مرتبط با بایگانی وب ارائه می دهند.

بنابراین، راهبرد توسعه باید برای بقای بایگانی ،فنی در صورت توقف کار مؤسسه یا عدم توانایی آن برای حمایت از پروژه .باشد بقا را می توان به دو روش تعریف کرد: یا باید بایگانی را فعال نگه داشت بدین معنی که تمام فعالیت های انتخاب منابع برای داده های در دسترس ادامه داشته باشد؛ یا این که بایگانی باید حداقل در یک وضعیت رکودی حفظ شود، بدین معنی که با وجود این که منابع جدید به بایگانی اضافه نمی شوند حداقل دسترسی به آن چه که در حال حاضر موجود است تضمین شود.

دو راه برای این کار وجود دارد نخست و مهم تر از همه بایگانی باید ویژگی های اولیه یک منبع قابل اعتمادی را محقق کند، که به معنای پایبندی به استانداردهای اعلام شده است همان گونه که در مدل OAIS توصیف شد. در عمل استفاده از آن را برای مؤسسه های دیگر ممکن سازد - حالت ایده ال کتابخانه های ملی - البته تا زمانی که قادر به همسانی آن با سایر بایگانی ها نباشیم

راه دوم توسعه بایگانی است که برای آن تلاش شده است. اگر تعدادی از مؤسسه ها به طور فعال و تعاملی در این پروژه مشارکت داشته باشند در زمان توقف کار برای یکی از شرکا برای دیگری این امکان به وجود می آید که کار بایگانی را ادامه داده و از امکانات آن استفاده کند. در عمل، پایبندی به استانداردهای برقرار شده در این نوع کار ضروری به نظر می رسد برای این پروژه نیز تصمیم گرفته شد که به صورت مشارکتی کار شود [پروژه] در جست و جوی شرکایی است که امکان همکاری در این زمینه را داشته باشند و مسائل مربوط را حل کنند و [در نهایت] بایگانی به عنوان یک کمک اساسی به حوزه مطالعات چین وارد شده و شناخته شود.

بدینوسیله می توانیم زیر ساخت های فناوری اطلاعات موجود در مؤسسه را که حمایت بخش ICT دانشگاه را نیز دارد در این بخش مورد استفاده قرار دهیم در تمامی موارد این تجهیزات باید از نظر دانشگاه ها استاندارد ،باشد به همین دلیل این تجهیزات باید در حوزه آی.سی.تی. مرکزی بوده و در آن جا نگهداری شود. این موضوع می تواند از لحاظ حرفه ای نوعی مزیت به حساب آید. از طرفی هم می تواند یک نقص باشد زیرا به نوعی می تواند محدودیت هایی بر روی سخت افزار و نرم افزار اعمال کند.

برای دسترسی و نیز برای اهداف بلند مدت حافظت از داده ها امکان پذیر است؟ از دیدگاه کاربر می توان استدلال کرد که جست وجوی متن ،کامل در مقایسه با سر فصل های موضوعی خام یا عناوین حاوی فراداده های ناقص جهت پیدا کردن اسناد ابزار قابل اعتماد تری است از نظر فنی بسیاری از اطلاعات ضروری از جمله فرمت فایل سرعت بارگذاری رمز گذاری و غیره برای راحتی در بازیابی داده هاست یا حتی می تواند برای ساختار نام گذاری فایل باشد

عکس

شکل 101 رابط کاربری جست و جوی فراداده DACHS که امکان جست وجوی پیشرفته در بایگانی را دارد.

در پایان این ایده رد شد منابع دیجیتال نوعی اطلاعات هستند که زود از بین می روند. بنابراین امکان دارد تا در اسناد جداگانه ای نیز ذخیره شوند تا این منابع را با اطمینان و به صورت یکپارچه در آینده و به صورت طولانی مدت قابل دسترسی کرد. با توجه به نوع داده ها و اطلاعات امکان نابودی آن ها وجود دارد.

برای مدیریت و ادغام بهتر مواد بایگانی شده در موجودی کتابخانه های بزرگ، تصمیم گرفته شد تا فراداده به عنوان بخشی از کاتالوگ به صورت منظم ایجاد و تهیه شود. بنابراین کاتالوگ با فرادداده تطبیق داده شد تا بخش هایی برای مدیریت درست، تاریخچه مبدأ، سابقه مدیریت، نوع فایل، شناسه، و سایر موارد تعیین شود. بسته به پیچیدگی ،منابع در حال حاضر سرگرم تهیه رکوردهای فراداده ای هستیم که با بتواند تک فایل را توصیف کند که فقط متن را شامل می شود یا شامل مجموعه ای کامل از فایل ها مانند ،وبگاه انجمن و یا روزنامه باشد.

خاصی از جامعه چینی است که موارد زودگذری هم هستند بنابراین فراهم کردن انتخاب آگاهانه منابع یک سرمایه است که در حال حاضر به ما کمک می کند و نیز به کاربران کمک می کند در آینده تا جهت شناسایی موادی که ما نیاز به آن داریم و مربوط به هدف ما می شود یاری می رساند. البته ارزش ها در گذر زمان تغییر خواهد کرد و نسل بعد ممکن است انتخاب های مختلفی داشته باشد. در این مورد، بایگانی اینترنت هنوز جایگزینی بسیار غنی را فراهم میکند که در آن گزینه های دیگری در دسترس خواهد بود و ترکیبی از دو رویکرد گزینشی و جامع است که کاربر در آینده با گسترده ترین آرایه از امکانات برای تحقیقات خود قادر به تأمین آن است.

با این حال همزمان میخواهیم خطر محدودیت بیش از حد را در انتخابمان کاهش دهیم. همانطور که در قبلا نیز گفته شد و در ادامه بحث خواهد شد DACHS در حال تبدیل شدن به پروژه تعاونی بزرگ تر است شرکای ،مختلف معیارهای مختلفی دارند و در نتیجه مقادیر مختلفی را در روند انتخاب خود اعمال می کنند این امر تنها می تواند محتوای بایگانی را غنی ،کند در حالی که در سیاست انتخاب آگاهانه منابع تغییری رخ نمی دهد

با این حال به منظور استفاده بهتر از منابع محدود و در دسترس باید راهبردهای هوشمندانه ای را برای توسعه مجموعه به کار گرفت. با توجه به تعداد زیاد سیاست های اینترنتی در مورد چین و سرعت زیاد آن و توسعه آن و همچنین ناپدید شدن این مطالب در شبکه چین وظیفه ساختن بایگانی منابع برخط که بتواند مهم و ارزشمند باشد کاری سخت و دلهره آور است.

برای رفع این مشکل شروع به ساخت یک شبکه اطلاعاتی از افراد (محققان بومی و شهروندان) کردیم که به طور فعال یا غیر فعال بخشی از این کار را بر عهده گیرند. این کار زمانی عملی می شود که با استفاده از دانشی باشد که برای شناسایی سیاست های خاص و متناسب با کار باشد با این حال این شبکه اطلاعاتی بزرگ می تواند خیلی متنوع تر از فرآیند انتخاب باشد.

معمولاً شبکه اطلاع رسانی نیز هدف دیگری را دنبال می کند. از آن جا که اعضای آن بخشی از فرهنگ اینترنت معاصر است آن ها می توانند اطلاعات زمینه ارزشمندی در مورد منابع بایگانی شده ارائه دهند تا آن جا که ممکن است این اطلاعات باید در فراداده و یا صفحات وب تخصیص داده شده به عنوان بخشی از مجموعه ایجاد و حفظ .گردد

از آن جا که چند ماه نیز بر روی تعدادی پروژه خاص مانند شعر معاصر، سارس (1) یا موضوع همجنس بازی در چین کار کرده ایم، محققان و دانشجویان کارشناس ارشد برای ایجاد آرشیوهای جامع بر روی این موضوع ها کار می کنند، از جمله این وب گاه ها، آن هایی هستند که در معرض خطر بوده و یا شامل موارد دیگر مانند عکس و پوستر می شود برای بایگانی این منابع می توان متن ساده ای را در زمان بایگانی به آن اضافه کرد این نوع عملکرد را برای درک بهتر این منابع که زود از بین می روند، به ویژه در آینده دور، ضروری می دانیم.

اما این کار صرفاً با تکیه بر آگاهان و دانشمندان انجام نمی شود. تأثیر رویدادهای خاص بین المللی مانند حمله تروریستی 11 سپتامبر و یا بازی های المپیک چین در سال 2008، غالباً باعث بحث های داغ بر

ص: 226

روی اینترنت می شود برای جلوگیری از شیوع افکار عمومی ما در حال کار بر روی سیاهه وارسی تالار گفتگو و روزنامه ها هستیم که نوع گزارش ها به آن مربوط می شود تا بتوان فاصه زمانی چند هفته قبل و بعد از چنین رویدادهایی را پوشش دهد.

مجموعه های مشابه دیگری هم توسط اشخاص ،خصوصی ،پژوهشگران گروه های پژوهشی و یا سایر مؤسسه های به DACHS اهدا و یا فروخته شده اند. گاهی اوقات برای کمک به ناشران وب گاه ها در معرض خطر برای حفظ محتوای وبگاه شان نزدیک شدیم (و یا با آن ها تماس گرفتیم). به هر حال، این مجموعه ها برای DACHS طراحی و ایجاد نشده اند (یا حتی ممکن است همه استانداردهای کیفیت مد نظر ما را دنبال نکنند) اما DACHS به آن ها کمک می کند تا این منابع در درازمدت در دسترس باشند.

تمامی کارهای فوق هنوز در شرف انجام می باشد به اشتراک گذاشتن تجربه در این زمان غیر ممکن است.

بیش تر مسائل در فرآینده مذاکره و پیاده سازی واقعی برای امور مشارکتی پدیدار خواهد شد. در هر صورت، مشارکت برای پروژه های بایگانی وب در مقیاس کوچک در بسیاری از سطوح ضروری است و از امور مهم و بدیهی است.

عنوان دروازه دیجیتال PADI. نام دارد که همه منابع در ماه می 2006 قابل دسترس بود.

4.1 Websites

(Council on Library and Information Resources (CLIR

/http://www.clir.org

(Electronic Resource Preservation and Access Network (erpaNet

/http://www.erpanet.org

International Internet Preservation Consortium

/http://netpreserve.org

Internet Archive

/http://www.archive.org

(Networked European Deposit Library (NedLib

/http://www.kb.nl/coop/nedlib

(PADI Preserving Access to Digital Information (National Library of Australia

(http://www.nla.gov.au/padi

PADI: Web archiving

http://www.nla.gov.au/padi/topics/92.html

4.2 Mailing Lists

Archivists

/http://groups.yahoo.com/group/archivists

DigiCULT

http://www.digicult.info/pages/subscribe.php

(DIGLIB – Digital Libraries Research mailing list (IFLA

/http://infoserv.inist.fr/wwsympa.fcgi/info/diglib

(OAIS Implementers (RLG

http://lists2.rlg.org/cgi-bin/lyris.pl?enter=oais-implementers

/PadiForum (National Library of Australia) http://www.nla.gov.au/padi/forum/ Web-Archive http://listes.cru.fr/wws/info/web-archive

4.3 Newsletters and Magazines

CLIR Issues

http://www.clir.org/pubs/issues/ DigiCULT Newsletter

http://www.digicult.info/pages/newsletter.php

D-Lib Magazine

http://www.dlib.org/DPC/PADI What is new in digital preservation

http://www.nla.gov.au/padi/qdiges

RLG DigiNews http://www.rlg.org/en/page.php?Page-ID=12081

ص: 229

نظام سازماندهی دانش برای سازگاری با تغییر ساختار منابع اطلاعاتی همواره دو رویکرد را برگزیده است. نخست هماهنگی سازگاری و تطابق نظام های سنتی با محیط و رسانه های جدید و دیگر طراحی و ایجاد نظام های جدید به منظور حداکثر بهره وری از امکانات و قابلیت های محیط جدید (طاهری 1387). با توجه به اینکه در محیط های کتابخانه ای حجم عظیمی از منابع اطلاعاتی با استفاده از استانداردهای موجود سازماندهی شده اند و تبدیل و تغییر در آن ها نیازمند صرف وقت و هزینه است، به نظر می رسد استفاده از رویکرد نخست حداقل در محیط های کتابخانه ای مناسب تر باشد یکی از استانداردهای مورد استفاده در نظام های سنتی قالب مارک است قالب مارک از استانداردهای مورد استفاده برای ماشین خوان کردن داده های کتابشناختی است. قالب های مختلفی از مارک همچون مارک 21 و یونی مارک وجود دارند. از سوی دیگر، بیانیه کتابخانه کنگره برای چارچوب کتابشناختی برای دوران دیجیتال (2011 در عمرانی 1390) به این نکته اشاره می کند که «استاندارد مارک مسئولیت تولید میلیون ها پیشینه کتاب شناختی در گوشه و کنار دنیا را بر عهده دارد و نیاز است که در تمام دورۀ نقل و انتقال به پشتیبانی از مارک ادامه دهیم. علاوه بر این بیانیه عنوان می کند که سامانه ها و خدمات مبتنی بر پیشینه های مرتبط با قالب مارک تا سال های زیادی بخش مهمی از زیر ساخت ها خواهند بود». بنابراین توجه به این قالب در سازماندهی اطلاعات حائز اهمیت است زیرا علاوه بر استفاده کنونی از این ،قالب الگوها و استانداردهای جایگزین آینده نیز سازگار با آن طراحی خواهند شد.

همان طور که بیان ،شد قالب های مختلفی از مارک موجود است که می توان قالب مارک 21 (به دلیل کاربرد آن در پیشینه های کتاب شناختی کتابخانه کنگره آمریکا، کتابخانه بریتانیا، کتابخانه ملی کانادا و برخی کتابخانه های دیگر) و قالب یونی مارک (به دلیل بین المللی بودن و مبنای مارک ایران) را از مهم ترین آن ها دانست. هر دو قالب بر اساس قواعد فهرست نویسی انگلوامریکن و تأکید بر منابع چاپی تهیه شده اند. با ظهور محمل های اطلاعاتی ،جدید تغییراتی در قالب ها ایجاد شد تا بتوانند با محمل های جدید سازگار و در جهت سازماندهی آن ها کارآمد باشند که از آن جمله می توان به افزودن فیلدها و فیلدهای فرعی ،نشان گرها و نویسه های موجود در برچسب پیشینه اشاره کرد.

با توجه به ویژگی منابع اطلاعاتی وب از یک سو و تفاوت های موجود میان قالب مارک 21 و یونی مارک این پرسش پیش می آید که آیا قالب هایی همچون یونیمارک و مارک 21 توانایی سازماندهی منابع اطلاعاتی وب را دارند؟ علاوه بر این تفاوت های موجود در میان این دو قالب تأثیری بر کیفیت سازماندهی منابع اطلاعاتی وب دارد؟ پژوهش حاضر سعی دارد با بررسی دو قالب یونی مارک و مارک 21، به بررسی عناصر تعریف شده بر اساس خصوصیات منابع اطلاعاتی ،وب و همچنین تبیین کارایی و قابلیت دو قالب در سازماندهی بهینه منابع اطلاعاتی وب بپردازد. بنابراین به ارزیابی توان و کارایی هر دو قالب در سازماندهی اطلاعات وب و مقایسه آن ها با یکدیگر پرداخته شد.

1-1 هر یک از قالب های یونیمارک و مارک 21 شامل چه عناصری (اعم از فیلد فیلد، فرعی نشان گر و غیره) برای سازماندهی منابع اطلاعاتی وب هستند؟

2-1 آیا عناصر تعریف شده در دو قالب یونی مارک و مارک 21 نشان دهندۀ خصوصیات منابع اطلاعاتی وب هستند؟

3-1 آیا تفاوتی میان عناصر تعریف شده در قالب یونی مارک و مارک 21 برای سازماندهی منابع اطلاعاتی وب وجود دارد؟

4-1 اگر پاسخ پرسش سوم مثبت است تفاوت های موجود چه تأثیری بر سازماندهی منابع اطلاعاتی وب می گذارد؟

1996)، کنترل مستند در زمینه کنترل کتاب شناختی در محیط الکترونیک (2004 Gorman)، بررسی و مقایسه قواعد فهرست نویسی انگلوامریکن و عناصر هسته دوبلین برای سازماندهی منابع اینترنتی (کوکبی و آخشیک 1385 و سازماندهی صفحات وب با استفاده از نظام های رده بندی کتابخانه (ملای مقدم و نعیم آبادی 1385) نیز با هدف بررسی و مقایسه دو رویکرد سنتی و نوین فهرست نویسی منابع اینترنتی صورت گرفته است

مطالعه پژوهش های مرتبط نشان داد که سازماندهی منابع وب با استفاده از استانداردها و قواعد فهرست نویسی مورد توجه بوده است. علاوه بر این پژوهش گران همواره در پی یافتن استانداردهای مناسب با ویژگی های منابع و بی در جهت سازماندهی هر چه بهتر آن ها بوده اند به همین جهت به ارزیابی و بررسی آن ها پرداخته اند.

عکس

جدول 1 جدول تطبیقی عناصر مربوط به منابع اطلاعاتی وب در قالب های یونی مارک و مارک 21

ص: 235

عکس

ص: 236

همان طور که در جدول 1 مشاهده می شود در هر دو قالب یکی از نویسه های برچسب پیشینه می تواند نشان دهندۀ منابع الکترونیکی باشد و در توضیحات ذیل کد آمده که شامل منابع پیوسته نیز هست. «برچسب پیشینه در ابتدای هر پیشینه قرار می گیرد و حاوی داده های مربوط به پردازش آن پیشینه است» (مارک ایران 1381 ، 28) و به طور غیر مستقیم برای کاربرد در تشخیص خود مدرک کتاب شناختی به کار می رود (12 2008 .(International Federation of Library Associations and Institutions (IFLA).

همچنین نشان گرهای یکی از فیلدها (856) برای نمایش خصوصیات منابع وبی تعریف شده است. داده های جدول 1 نشان می دهد که در قالب مارک ،21 می توان در سیزده فیلد، و در قالب یونیمارک، می توان در دوازده فیلد اطلاعات مربوط به منابع و بی را وارد کرد.

برای پاسخ به پرسش دوم ،پژوهش از خصوصیات تعریف شده برای منابع اطلاعاتی وب توسط هيرى(1) (1996) استفاده و عناصر تعریف شده در دو قالب یونی مارک و مارک 21 مقایسه شد که نتایج آن در جدول 2 قابل مشاهده است.

عکس

جدول 2: مقایسه خصوصیات منابع اطلاعاتی وب با عناصر موجود در قالب های یونی مارک و مارک 21

داده های جدول 2 نشان می دهد که برای 5 مورد از خصوصیات بیان شده توسط هیری حداقل یک عنصر در یونی مارک 21 تعریف شده است. همچنین، برای نمایش دو مورد از خصوصیات نیز

ص: 237

عنصری در مارک 21 و یونی مارک یافت نشد.

برای پاسخ به پرسش سوم پژوهش با استفاده از داده های به دست آمده در جدول 1، به مقایسه عناصر تعریف شده در مارک 21 و یونیمارک پرداخته شد که نتایج این بررسی در جدول 3 نمایش داده شده است.

عکس

جدول 3: مقایسه عناصر موجود در مارک 21 و یونیمارک برای نمایش خصوصیات منابع اطلاعاتی وب

مارک 21

داده های موجود در جدول 3 نشان می دهد که قالب های یونی مارک و مارک 21 برای نمایش خصوصیات منابع و بی در 5 مقوله با یکدیگر متفاوت هستند در قالب مارک ،21، در 4 مقوله به نمایش خصوصیات و اختصاص عناصر جزئیتر در نمایش آن ها توجه بیشتری در مقایسه با یونی مارک شده است. همین تفاوت در قالب یونی مارک در یک مقوله نسبت به مارک 21 دیده می شود.

برای پاسخ به پرسش چهارم به تجزیه و تحلیل نتایج به دست آمده در پرسش های اول و سوم پژوهش پرداخته شد که نتایج آن به قرار زیر است:

- فراوانی فیلدهای اختصاص داده شده به نمایش خصوصیات منابع وبی: با توجه به داده های موجود در جدول 3 تفاوت مارک 21 و یونی مارک در این مورد یک فیلد است جدول 1 نشان می دهد که فیلد فرعی b در فیلدهای شناسه رابط یونی مارک نشان دهندۀ قالب مدرک پیوندی است. با توجه به ویژگی بلوک شناسه رابط در قالب یونی مارک با نمایش قالب پیوسته در این فیلدها، علاوه بر مشخص شدن قالب پیوستۀ پیشینه های مرتبط با پیشینه اصلی در هنگام بازیابی اطلاعات، قالب پیوسته مرتبط با مدرک بازیابی شده نیز مشخص خواهد شد.

در مارک ،21 فیلد 006 مربوط به نمایش ویژگی مواد اضافی است تفاوت این فیلد با فیلد 008 این است که این فیلد برای مواردی که نمی توان آن ها را در فیلد 008 وارد کرد آورده می شود. فیلد 006 بیشتر برای مواردی که دارای چند نوع از یک گروه خصوصیت هستند استفاده می شود. به نظر می رسد فیلد 006 جایگزینی برای فیلد فرعی b در بلوک - یونی مارک ،باشد اگر چه فیلد فرعی b علاوه بر نمایش قالبهای دیگر مدرک مربوط نمایش دهندهٔ قالب تمام پیشینه های مرتبط (بر اساس انواع روابط موجود در میان آثار) است. علاوه بر این در مارک 21 بر اساس استاندارد آر.دی.ای فیلد 338 نشان دهنده نوع حامل است که در یونی مارک تعریف نشده است.

- تعیین نوع مدرک در فیلد داده ای: در مارک 21، علاوه بر تعیین نوع فایل رایانه ای در فیلد داده ای

ص: 238

شکل مدرک نیز با کدی مشخص در نویسه 23 مشخص می شود باید توجه داشت که در مارک 21 مشخصات تمام انواع قالب ها در فیلد داده ای 008 وارد می شود، در صورتی که در یونی مارک بلوک --1به اطلاعات کد شده اختصاص یافته و برای انواع مدارک دارای فیلد خاصی است. فیلد 135 مختص داده های کد شده برای منابع الکترونیکی است به همین دلیل نیازی به تعریف کدی برای شکل مدرک نبوده است.

- تعریف نشان گر برای نمایش :روابط در مارک ،21 نشانگر دوم برای نمایش رابطه بین اطلاعات موجود در فیلد 856 و منبع توصیف شده در پیشینه است. این نشان گر ممکن است برای تولید نمایشی پیوسته یا نظم همگانی فیلدهای 856 استفاده شود (Network Development and MARC 2003 .Standards Office, Library of Congress) فیلد فرعی 3(1) نشان می دهد. به نظر می رسد نمایش روابط در فیلد 856 (حداقل برای منابع وبی) مناسب تر ،باشد زیرا با توجه به این که تمام مشخصات منبع الکترونیکی (مانند مسیر شناس گر متحد الشکل منبع، و غیره) در فیلد 856 وارد می شود می توان قالب وبی هر منبع را (در صورت وجود) در پیشینه اصلی منبع وارد کرد و دیگر نیازی به تهیه پیشینه جدید برای قالب و بی آن نیست.

سازماندهی آن ها را چالش برانگیز نموده است. مقایسه دو قالب کتاب شناختی یونی مارک و مارک 21 نیز نشان داد که تفاوت چندانی در میان تعریف عناصر مربوط به قالب و بی وجود ندارد و تنها تفاوت هایی در شکل تعریف آن ها مشاهده شد به نظر می رسد در انتخاب یکی از دو ،قالب باید به وضعیت کنونی دو قالب در ایران میزان انطباق هر یک با استانداردها و الگوهای مطرح در سازماندهی اطلاعات وب، و همچنین وضعیت هر یک از آن ها در سازماندهی دیگر قالب های اطلاعاتی توجه شود.

از یافته های این پژوهش می توان چنین دریافت که قالب مارک می تواند به عنوان استانداردی برای ذخیره و بازیابی منابع اطلاعاتی وب به کار رود، با این حال مارک راه حلی برای چگونگی روزآمد نمودن و تعیین سطح توصیف منابع اطلاعاتی وب تهیه نکرده است پژوهشگران برای ویژگی سطح توصیف، استفاده از فیلدهای رابطه ای را پیشنهاد می کنند به این صورت که برای نمایش اجزای یک منبع وبی (مانند صفحه های یک وبگاه یا همان پیوندهای درونی) از فیلدهای رابطه ای کل و جزء و برای نمایش پیوندهای خارجی از فیلدهای رابطه ای که نشان دهنده روابطی همچون هم ارز هستند، استفاده شود. پژوهش گران برای ویژگی روزآمدی استفاده از فیلدی خاص برای ثبت تغییرات را پیشنهاد می دهند. این فیلد شامل فیلدهای فرعی باشد که هر یک نشان دهنده یکی از تغییرات احتمالی (تغییر در آدرس، عنوان و غیره) در منابع اطلاعاتی وب و تعیین نشانگرها برای نمایش نوع تغییر (روزآمد شده، حذف شده، جایگزین شده و غیره) باشد با توجه به این که پژوهش حاضر به بررسی قالب مارک برای سازماندهی منابع اطلاعاتی وب به طور کلی پرداخته است انجام پژوهش هایی برای بررسی قالب مارک برای انواع منابع اطلاعاتی وب و ارزیابی توانایی های آن ضروری به نظر می رسد.

ملای ،مقدم ،گلناز محمد نعیم آبادی 1385 سازماندهی صفحات وب با استفاده از نظام های رده بندی کتابخانه ای سازماندهی اطلاعات: رویکرد ها و راهکار های نوین مجموعه مقالات اولین همایش انجمن کتابداری و اطلاع رسانی ایران ، 16 و 17 اسفند 1385) (صص. 345-364). تهران: کتابدار.

Fard, S.E., A. Riggio. 2004. Medium or message? A new look at standards, structures, and schemata for managing electronic resources. Library Hi Tech, 22(2): 144-152.

Gorman, M. 2004. Authority Control in the Context of Bibliographic Control in the Electronic Environment. Cataloging Classification Quarterly, 38(3-4). Retrieved on September 19, 2011, from http://www.sba.unifi.it/ac/relazioni/gorman-eng.pdf.

Heery,R. 1996. Review of metadata formats. Program: Electronic Library and Information Systems, 30(4): 345-373.

International Federation of Library Associations and Institutions (IFLA). 2000. UNIMARC guideline no.6: electronic resources. Retrieved on September 20, 2012, from http:// archive.ifla.org/VI/3/p1996-1/guid6.htm.

International Federation of Library Associations and Institutions (IFLA). 2001. UNIMARC to MARC 21 conversion specifications. Retrieved on September 12, 2012, from http:// www.loc.gov/marc/unimarctomarc21.html.

International Federation of Library Associations and Institutions (IFLA). 2008. UNIMARC manual. München: K. G. Saur.

Library of Congress 2003. MARC 21 format for bibliographic data: 856: Electronic location and access. Retrieved on September 19, 2012, from http://www.loc.gov/marc/ bibliographic/bd856.html.

Library of Congress 2012. MARC 21. Retrieved on September 19, 2012, from www.loc. gov/marc/translations.html

Miller, S. 2008. Rules and tools for cataloging internet resources (trainee manual). Retrieved on September 29, 2012, from http://www.loc.gov/catworkshop/courses/cataloginginternet/ pdf/ceig1-IM-FINAL.pdf.

Network Development and MARC Standards Office, Library of Congress 2003. MARC 21 formats: Guidelines for the use of field 856. Retrieved on September 29, 2012, from http://www.loc.gov/marc/856guide.html.

Ward, D. 2001. Internet resource cataloging: the SUNY Buffalo Libraries' response. OCLC Systems Services, 17(1): 19-26.

/Weitz, J. 2006. Cataloging electronic resources: OCLC-MARC coding guidelines. Retrieved on September 20, 2012, from http://www.oclc.org/support/documentation/worldcat/ cataloging/electronicresources

ص: 241

را می توان در قالبی با عنوان رابط کاربر مشاهده کرد (یمین فیروز 1382). در واقع رابط کاربر نخستین نقطه ی برخورد کاربر با پایگاه های اطلاعاتی است و به عنوان پلی ارتباطی بین انسان و سامانه ی اطلاعاتی عمل می کند. به همین دلیل مهم ترین هدف از طراحی رابط کاربر برآوردن رضایت کاربران و ایجاد تعامل بیش تر و بهتر بین کاربر و محیط های رایانه ای است (1998 Shneiderman نقل در اعظمی و فتاحی 1388).

با توجه به این که رابط کاربر خوب باعث می شود کاربران مسیر خود را در پایگاه اطلاعاتی بهتر شناسایی کنند و تأثیر به سزایی در عملکرد آنان خواهد داشت (2002 Bates ، نقل در علیجانی و دهقانی 1386)؛ بنابراین محیط رابط کاربر باید به کاربران کمک کند تا کلیدواژه ها و عبارت های مناسبی برای جستجوهای خود به کار ببرند منبع مورد نظر را از میان منابع اطلاعاتی انتخاب کنند، نتایج جستجو ها را درک و از چگونگی پیشرفت کارشان آگاه شوند تا بتوانند آسان تر و بهتر به اطلاعات مورد نیاز خود دست یابند (Hirst1999)

در کشور ما نیز در دو دهه ی اخیر تعدادی پایگاه اطلاعاتی پیوسته ی تمام متن طراحی شده است که پژوهش گران و محققان بسیاری برای انجام کارهای علمی و پژوهشی و رفع نیازهای اطلاعاتی خود به آن ها مراجعه می کنند با توجه به نقش مهم رابط کاربر در دستیابی به محتوای پایگاه های اطلاعاتی و بالا بردن کیفیت خدمات ،آنان محیط رابط این پایگاه ها باید به گونه ای طراحی شده باشد که دسترسی مناسب و مؤثر به اطلاعات را برای کاربران تسهیل بخشد؛ به طوری که آنان بتوانند با درک روشنی از نحوه ی طراحی پایگاه اطلاعاتی ساختار اطلاعات و چگونگی ارائه اطلاعات به ،کاربران اطلاعات مورد نیاز خود را در پایگاه مورد نظر به سرعت جستجو و بازیابی کنند. بنابراین بررسی و مقایسه محیط رابط کاربر پایگاه های اطلاعاتی پیوسته مجلات تمام متن فارسی با معیارهای رعایت شده در پایگاه های اطلاعاتی معتبر پر کاربرد و استاندارد جهانی امری ضروری است این امر ضمن نشان دادن فاصله بین وضع موجود تا وضع مطلوب سبب بهبود کیفیت ارائه ی اطلاعات در پایگاه های اطلاعاتی مجلات فارسی می شود.

فارسی «پژوهشگاه علوم و فناوری اطلاعات» و «مرکز منطقه ای» (1) که دارای پایگاه مجلات و پایگاه های گوناگون دیگری نیز می باشند پرداخته می شود.

با توجّه به استفاده گسترده کاربران از پایگاه های اطلاعاتی به عنوان منابع بازیابی اطلاعات و علی رغم تأكيد متخصصان بر اهمیت رابط کاربر پایگاه ها و وب سایت ها پژوهش های انجام شده در این زمینه نشان می دهد که طراحان در پاره ای از موارد به دلیل در نظر نگرفتن شرایط و ویژگی های لازم از این مسئله غفلت کرده و در نتیجه مشکلاتی را در خصوص استفاده بهینه کاربران از خدمات خود به وجود آورده اند (1998 Hansen) همچنین بررسی ها نشان داد که به نظر می آید محیط رابط کاربری برخی پایگاه های اطلاعاتی پیوسته مجلات فارسی موجود در ایران در پاره ای موارد با استاندارد ها هماهنگی ندارند و دارای برخی کمبود ها می باشند از این رو وجود این مسئله پژوهش گران را به این امر واداشت تا بررسی و ارزیابی کنند که وضعیت محیط رابط کاربر پایگاه های اطلاعاتی پیوسته تمام متن فارسی در مقایسه با معیارهای رعایت شده در محیط رابط کاربری پایگاه های اطلاعاتی معتبر بین المللی چگونه است؟ و در این راستا نقاط قوت و ضعف این پایگاه ها کدامند؟ نتایج حاصل از این پژوهش می تواند سبب استفاده ،بهتر افزایش موفقیت در جستجو ها و انجام بهتر و سریع تر بازیابی اطلاعات شود.

6. کدام یک از مقوله های کلی رابط کاربری پایگاه اطلاعاتی بیش ترین میزان رعایت را در پایگاه های اطلاعاتی مجلات الکترونیک پیوسته تمام متن فارسی دارد؟

7. کدام یک از پایگاه های اطلاعاتی مجلات الکترونیک پیوسته تمام متن فارسی بیش ترین انطباق را با معیارهای موجود در سیاهه وارسی محیط رابط کاربری پایگاه اطلاعاتی دارد؟

بیش ترین ویژگی ها بودند.

اعظمی و فتاحی (1388) به تعیین همخوانی محیط رابط پایگاه های اطلاعاتی ابسکو، امرالد پروکوئست و ساینس دایرکت با عناصر رفتار اطلاع یابی مدل «الیس» (1) که عبارتند از: شروع پیوندیابی ،مرور تمایز ،بازبینی و استخراج پرداختند نتایج نشان داد که عناصر «شروع» «پیوندیابی» و «تمایز» تا حدودی به وسیله ی برخی از محیط های رابط کاربر پایگاه های مورد بررسی حمایت می شوند، اما دیگر عناصر رفتار اطلاع یابی (تورق بازنگری و استخراج) در ساختار رابط کاربر این پایگاه ها لحاظ نشده اند. به طور کلی میزان مطابقت و همخوانی رابط کاربر پایگاه های اطلاعاتی با عناصر رفتار اطلاع یابی الیس در حد متوسط است بنابراین استفاده از این عناصر در طراحی و ارزیابی محیط رابط کاربری می تواند تأثیر زیادی بر بهینه شدن محیط رابط پایگاههای اطلاعاتی و در نتیجه بر فرآیند جستجو و بازیابی داشته باشد.

انتظاریان و فتاحی (1389) به تحلیل تبیین و شناسایی نقاط قوت و ضعف عناصر و ویژگی های مهم در محیط رابط پایگاه های اطلاعاتی مقاله های الکترونیکی مرکز منطقه ای اطلاع رسانی علوم و فناوری و پژوهشگاه اطلاعات و مدارک علمی پرداختند آن ها در این بررسی میزان همخوانی محیط رابط پایگاه های مورد بررسی با 10 مؤلفه نیلسن (2)، مشکلات اساسی محیط رابط این پایگاه ها و نیز تفاوت بین میزان در ک کاربران متخصص و مبتدی را مورد سنجش قرار دادند. یافته ها نشان داد میزان همخوانی محیط رابط پایگاه مقاله های پژوهشگاه با 10 مؤلفه نیلسن به طور کلی در حد متوسط و در پایگاه مقاله های مرکز منطقه ای کمی بیش از حد متوسط است هر دو پایگاه در برخی از مؤلفه های مدل نیلسن دارای مشکلات اساسی هستند

اسداللهی و نوکاریزی (1389) طی پژوهشی به ارزیابی ساختار و محتوای پایگاه های اطلاعاتی الکترونیکی ،سید مگ ایران و نما متن پرداختند. میزان مطابقت پایگاه سید، مگ ایران و نمامتن با معیارهای ساختار به ترتیب 50/43 درصد، 54/70 درصد و 41/88 درصد برآورد شد. پایگاه نمامتن بر خلاف دو پایگاه سید و مگ ایران به دلیل استفاده از زبان نمایه سازی کنترل شده، روند مشخص و منسجمی برای نمایه سازی مجله ها داشت. نتایج حاصل از بررسی ویژگی های منحصر به فرد ساختاری محتوایی پایگاه ها مبین آن بود که پایگاه سید از این نظر در رتبه ی نخست قرار دارد. به طور کلی هر سه پایگاه می توانند با توجه بیش تر به معیارهای مطرح شده در سیاهه وارسی بر قابلیت های ساختاری خود بیفزایند در بخش محتوا نیز افزایش جامعیت و توسعه ی پوشش ،موضوعی استفاده از رویکرد ترکیبی یعنی زبان آزاد و کنترل شده، عدم گزینش در نمایه سازی افزایش پوشش گذشته نگر و کاهش دوره ی ،روز آمد سازی در هر سه پایگاه توصیه می شود.

اطلاعاتی نشریات الکترونیک انجام گیرد. این پژوهش ها ابعاد مختلف این پایگاه ها از جمله رفتار اطلاع یابی در این پایگاه ها ،گرافیک ساختار و محتوای پایگاه ها و به ویژه رابط کاربری این پایگاه ها را مورد بحث قرار داده اند اما نکته ای که حائز اهمیت است این است که تاکنون پژوهشی که رابط کاربری تمام پایگاه های شناخته شده مجلات فارسی را به صورت یک جا با معیارهای رعایت شده در چندین پایگاه بین المللی مورد ارزیابی قرار دهد انجام نشده است. از این رو در این پژوهش رابط کاربری پایگاه های مجلات فارسی با معیارهای پایگاه بین المللی مورد بررسی قرار می گیرد.

مورد بررسی رعایت نشده .است مؤلفه های «ذخیره جستجوها در حساب کاربری خود» و «تاریخچه جستجو» تنها در پایگاه اطلاعاتی پژوهشگاه علوم و فناوری اطلاعات رعایت شده است. به طور کلی می توان گفت محیط رابط کاربری پایگاه های اطلاعاتی مورد بررسی در این پژوهش به طور میانگین 45/45 درصد از مؤلفه های مربوط به جستجو را رعایت کرده اند (جدول 10)

عکس

جدول 1. وضعیت رابط کاربری پایگاه های اطلاعاتی از لحاظ مقوله جستجو

در پاسخ به پرسش دوم پژوهش می توان این طور بیان نمود که از لحاظ مقوله نمایش محیط های رابط کاربری پایگاه پژوهشگاه علوم و فناوری اطلاعات با رعایت 18 مؤلفه (81/81 درصد) بیش ترین میزان رعایت و پایگاه مگ ایران با رعایت 10 مؤلفه (45/45) درصد کم ترین میزان رعایت مؤلفه های مربوط به مقوله نمایش را داشته اند همچنین از میان مؤلفه های مربوط به مقوله نمایش اطلاعات مؤلفه ی «نمایش آمار تعداد دانلود هر مقاله در رابط کاربری هیچ کدام از پایگاه ها رعایت نشده است. به طور کلی یافته ها حاکی از آن است به طور میانگین پایگاه ها از لحاظ مقوله نمایش 64/38 درصد معیارها را رعایت کرده اند. نتایج در جدول 2 قابل مشاهده است

جدول 2. وضعیت رابط کاربری پایگاه های اطلاعاتی از لحاظ مقوله نمایش اطلاعات

پاسخ به پرسش سوم پژوهش همان طور که از جدول 3 مشخص است پایگاههای مگ ایران و نورمگز با رعایت 5 مؤلفه (62/50 درصد) در میزان هماهنگی با مؤلفه های مقوله خدمات در رتبه نخست قرار دارند پایگاه نما متن و پژوهشگاه علوم و فناوری اطلاعات نیز با رعایت 3 مؤلفه (37/50 درصد)، پایگاه مرکز منطقه ای با رعایت 2 مؤلفه (25 درصد) پایگاه سید به ترتیب در رتبه های دوّم، سوّم و

ص: 249

چهارم قرار گرفتند همچنین از میان مؤلفه های مقوله خدمات مؤلفه های «امکان ساخت پرونده شخصی (شخصی سازی محتوی)» و سهولت خروج از سیستم به طور مساوی با فراوانی 4 و درصد فراوانی 80 بیشترین میزان رعایت را داشته اند مؤلفه های «استخراج اطلاعات کتابشناختی برای نرم افزارهای مدیریت ارجاعات» و «ارائه خدمات آگهی رسانی جاری (آلرت نشریات، آلرت جستجو)» در محیط های رابط کاربری هیچ کدام از پایگاه های اطلاعاتی مورد بررسی رعایت نشده است. میانگین امتیاز پایگاه ها در این مقوله نیز 37/49 درصد به دست آمد (جدول 3)

عکس

جدول 3. وضعیت رابط کاربری پایگاه های اطلاعاتی از لحاظ مقوله خدمات

در پاسخ به سؤال چهارم می توان گفت پایگاه های مرکز منطقه ای مگ ،ایران، نمامتن و سید هر یک با رعایت مقوله (60 درصد) مشترکاً در رتبه نخست و پایگاه های پژوهشگاه علوم و فناوری اطلاعات و نورمگز به طور مساوی با رعایت 2 مقوله (40 درصد) در رتبه دوّم قرار دارند پایگاه ها از لحاظ مقوله پیوندها به طور میانگین 53/33 درصد از مؤلفه ها را در محیط رابط کاربری خود رعایت کرده اند. نتایج در جدول 4 آمده است.

جدول 4. وضعیت رابط کاربری پایگاه های اطلاعاتی از لحاظ مقوله پیوندها

پاسخ سؤال پنجم همان گونه که از جدول 5 مشاهده می شود پایگاه مرکز منطقه ای با رعایت 4 مقوله (6666) درصد در رتبه نخست پایگاه های نورمگز مگیران و سید با رعایت 3 مقوله مشترکاً در رتبه دوم پایگاه پژوهشگاه علوم و فناوری اطلاعات با رعایت 2 مقوله (33/33 درصد) در رتبه سوم و پایگاه نمامتن تنها با رعایت 1 مقوله (1666) (درصد در رتبه چهارم قرار دارد هم چنین از لحاظ مقوله راهنمایی مؤلفه های پیام های اخطاری قابل درک و نقشه سایت به ترتیب با درصدهای فراوانی 100 و

ص: 250

بیش ترین و کم ترین میزان رعایت را در رابط کاربری پایگاه های مورد بررسی داشته اند. به طور میانگین 44/44 درصد مؤلفه های مربوط به مقوله راهنمایی توسط پایگاه های مورد بررسی رعایت شده اند.

عکس

جدول 5. وضعیت رابط کاربری پایگاه های اطلاعاتی از لحاظ مقوله راهنمایی

پاسخ به پرسش ششم پژوهش: همان گونه که از جداول 1 تا 5 ملاحظه می گردد بیش ترین امتیاز و درصد فراوانی میزان رعایت مقوله های مورد بررسی در محیط رابط کاربری پایگاه های اطلاعاتی مرکز منطقه ای، پژوهشگاه علوم و فناوری اطلاعات نورمگز و سید به ترتیب با امتیازهای 15، 18، 16، 14 درصدهای 18/18، 81/81، 72/72 و 63/63 مربوط به مقوله ی نمایش و می باشد. همچنین بیشترین امتیاز و درصد فراوانی میزان رعایت مقوله های مورد بررسی در محیط رابط کاربری پایگاه های اطلاعاتی مگ ایران و نما متن به طور مساوی با 3 امتیاز و 60 درصد مربوط به مقوله پیوندها است.

پاسخ به پرسش هفتم پژوهش: همان طور که در جدول 6 مشاهده می شود محیط رابط کاربری پایگاه اطلاعاتی پژوهشگاه علوم و فناوری اطلاعات در مجموع با میزان رعایت 35 مؤلفه (55/55 درصد) بیش ترین میزان رعایت مقوله های موجود در سیاهه وارسی را داشته است و رتبه نخست را به خود اختصاص داده است. سپس محیط های رابط کاربری پایگاههای نورمگز مرکز منطقه ای، سید و مگایران به طور مساوی و نمامتن در رتبه های دوم تا چهارم قرار داشتند.

جدول 6. وضعيت کلی رابط کاربری پایگاه های اطلاعاتی

ص: 251

نزدیک صدور فرمانی انتظار می رود در این اثنا ،کتابخانه خط مشی خود را درباره دامنه ملی برخط به پیش می برد که احتمالاً با ،فرمان زمانی که تأیید شود سازگار باشد ،کتابخانه به منظور پالایش حوزه سیاست آرشیوسازی وب خود پنج قرن و اسپاری قانونی و تجربه جدیدتر چالش های فنی گردآوری وب را با یکدیگر تلفیق کرده است بنابراین روش ما هم عملی است (یعنی موافق با ابزار اکتشافی برداشت حجمی) و هم سازگار (با قانون واسپاری گذشته فرانسه).

این سنت بر اساس سه معیار قرار داشته است:

- انتشارات: اسناد گردآوری شده برای یک مخاطب و در خدمت یک هدف عمومی هستند، آن ها نباید در حد حوزه های خصوصی یا ارتباطات درون شرکتی تنزل کنند؛

- رسانه: همه ترتیبات قانون واسپاری قبلی بر اساس موجودیت فیزیکی یک رسانه قرار داشتند: منابع ،چاپی متون موسیقی (1) تصاویر نوارهای صدا دیسکت و جز آن؛ و

- قلمرو: اسناد باید در محدوده مرزهای قلمرو ملی منتشر یا توزیع می شدند.

به طور خلاصه، قانون واسپاری گذشته برای تمام انتشارات موجود در رسانه های تولید شده یا توزیع شده در قلمرو کشور فرانسه قابل اجرا بوده است.

متأسفانه هیچ یک از این معیارها برای گردآوری [منابع] وبی به راحتی قابل اجرا نیست، زیرا وب گاه ها:

- به ترکیب و ادغام ارتباطات شخصی و عمومی و ترکیب مبتکرانه آن ها تمایل دارند؛

- به معنای دقیقه کلمه، رسانه نیستند، بلکه بیش تر سکویی هستند که سایر رسانه ها تمایل به انتقال به آن ها دارند (می توان کتاب، تصاویر، فیلم، متون موسیقی، و جز آن را در وب یافت)؛ و

- به سهولت، به یک سرزمین خاص - دست کم در مقیاسی وسیع - محدود نمی شوند؛

به علاوه، دیگر نمی توان زبان فرانسه را معیار انتخاب قرار داد زیرا قانون و اسپاری بدون توجه به زبان انتشاراتی اعمال می شود: مجموعه های واسپاری شده به کتابخانه ملی فرانسه شامل اقلامی به زبان های خارجی می شود که در کشور فرانسه منتشر چاپ یا توزیع شده باشند به همین ترتیب، نمی توانیم از راهبرد قانون و اسپاری خود انتظار تمرکز بر موضوع نویسنده یا سطوح انتشاراتی خاص داشته باشیم جنبه مهم این قانون آن است که مجموعه ها باید منعکس کننده جامعه و فرهنگ فرانسه به هر شکل و صرف نظر از ارزش علمی یا محبوبیت آن ها باشند.

اگر مجبور به انتخاب هستیم منظور بیش تر تهیه نمونه هایی از منابع است تا انتخاب نسل های بعدی تصمیم می گیرند که چه چیزی ارزشمند است نه کتابخانه ملی در قفسه های کتابخانه، نویسندگان ناشناخته و مجله های مستهجن در کنار متفکران بزرگ قرار گرفته اند، انتظار داریم این فلسفه در مورد منابع و بی هم اعمال شود برداشت ،فل های فرصت بزرگی را برای عرضه این رویکرد در مقیاس وب فراهم می.کند قانون و اسپاری درباره محتوا و قالب - یا محمل - است به این مفهوم که کتابخانه ملی فرانسه به ساخت مجموعه هایی که منعکس کننده گرایش هایی از نمونه های انتشاراتی است توجه می کند تلاش می کنیم طیف گسترده اشیا و قالب هایی را برای ارائه فراهم کنیم که به طور عملی توسط افراد

ص: 256

بهره مند از اطلاعات تولید می شود.

در نتیجه، برای دامنه ملی خود نیازمند تعریفی بودیم که با وجود انعطاف پذیری و سادگی اجرا منعکس کننده «روح» این گذشته باشد تعریف یک «کانون» فرانسه در عین داشتن قابلیت انعطاف پذیری، تنها راه تسهیل شیوه های گردآوری اکتشافی در مقیاس کلان بود ثابت شده است ،زبان، مکان جغرافیایی اسامی یا موضوع برای تعیین تفاوت در مقیاس کلان بسیار بی ربط و چالش برانگیز هستند، بنابراین، آن چه به عنوان نقطه آغاز احتمالی برای اکتشاف دامنه ملی باقی ماند استفاده از دامنه سطح بالای ملی (تی. ال دى) Top Level domain (TLD) (1) بود این دامنه به سبب تهیه فهرست آغازین اصلی برای اکتشاف با سایر راهبردها تلفیق شده است. از این رو خط مشی واسپاری برخط ما حین انتظار آشکار شدن در حکم صادر شده، به شکل زیر تعریف شد. ما «فرانسه» را چنین در نظر گرفتیم:

- به عنوان یک اصل هر وبگاهی که در دامنه سطح بالای .fr یا هر دامنه سطح بالای مشابه دیگر، با ارجاع به قلمرو رسمی فرانسه ثبت می شود (برای ،نمونه re برای جزیره فرانسوی لاری نیو (2))؛

- هر وب گاهی (شاید خارج از فرانسه) که تولید کننده اش در سرزمین فرانسه قرار دارد (معمولاً این مسئله را می توان در وب گاهی یا با استفاده از (3) Domain Name System تعیین کرد)؛

- هر وبگاهی (شاید خارج از فرانسه) که بتواند برای نمایش محتواهای تولید شده در سرزمین فرانسه تأیید شده باشد (این معیار آخر چالش برانگیزتر از آن است که بررسی شود اما مجالی را برای تفسیر و گفت و گو میان کتابخانه ملی فرانسه و تولیدکنندگان وب به وجود می آورد).

البته انتظار نمی رود هیچ یک از این معیارها قبل از این که ما فهرست هسته (4) را بسازیم، به طور کامل تأمین شوند (این امر مانع اکتشاف می شود و در بررسی وب گاه ها، قبل از خزش (5)، ایجاد اخلال می کند، که به سادگی قابل اندازه گیری نیست) .با وجود ،این آن ها قصد شان خدمت در چارچوبی قانونی و فرهنگی است به منظور:

- تعریف و توصیف شیوه کلی سیاست آرشیو سازی وب ملی برای مردم صاحبان محتوا، و کتابداران درگیر در پروژه؛

- تبیین وظایف و دستورالعمل های مورد نیاز برای خود تا وقت نظارت بر خزش ها به یاد داشته باشیم؛ تعیین عناصر عینی تصمیم گیری وقتی ما نیازمندیم بدانیم آیا وب گاهی به طور کامل در حوزه کار ماست یا خیر این امر به ویژه زمانی که وب مستر یک وب گاه خاص از کتابخانه ملی می خواهد کار خزش را متوقف کند یا حتی هنگام رویارویی با یک دعوی ،قانونی سودمند است: اگر وب گاه در هیچ یک از معیارهای فوق ،نگنجد باید از خزش های آینده و از مجموعه کنار گذاشته شود.

بنابراین، رویکرد دامنه ملی مصالح های را میان قانون واسپاری گذشته و ویژگی های چالش برانگیز

ص: 257

وب نشان می دهد ،همچنین مصالح های میان رویکرد کاملاً باز و نامعقولانه ای که به احتمال می توانست ما را طوری هدایت کند تا کل شبکه جهانی وب را به عنوان فرانسه بالقوه در نظر بگیریم، یا بر عکس، رویکردی محدود کننده، که فقط به دامنه سطح بالای fr تنزل می یافت در حالی که معروف است این دامنه تنها بخش محدودی از وب گاه های فرانسوی را شامل می شود در یک کلام، هدف این رویکرد، تأمین تمركز و انعطاف پذیری است.

دامنه ملی برای آرشیوسازی وب» امضا کردند هدف این پروژه تعیین شیوه ها و ابزارهایی برای استفاده در یک خزش دامنه ملی وب بود موافقت نامه تصریح کرد برای خزش های فراگیر، لازم است بررسی این ابزارها و شیوه ها توسط آرشیو اینترنت (IA) انجام و داده هایی که طی این خزش ها گردآوری می شد به قفسه های ذخیره سازی بی.ان.اف تحویل شود.

نخستین خزش فراگیر در چارچوب این موافقت ،نامه در پایان سال 2004 اتفاق افتاد. از آن، در سال های 2005 2006 و 2007 سه خزش فراگیر fr انجام شد (این آخرین خزش که تا سال 2009 ادامه خواهد ،داشت مرهون بسط موافقت نامه تحقیقاتی است).

خزش های با مقیاس کوچک تر نیز - مستقیم یا غیر مستقیم - توسط کتابخانه ملی فرانسه اجرا شده .است دو خزش کانونی در شمار محدودی وب گاه (در حدود 4000 عدد) توسط IA برای پرژه تحقیقاتی انجام شد [15] از 2007، این وب گاه ها توسط بی.ان.اف با استفاده از امکانات خود، برداشت می شوند. در همان سال سایر خزش های کانونی موضوعی یا رویداد محور به اجرا درآمدند، مانند وب گاه های مربوط به انتخابات ملی 2007 فرانسه.

به این ترتیب بی. ان. اف تاکنون - مستقیم یا به لطف همکاریش با IA-چهار خزش فراگیر به علاوه حجم فراونی خزش های کانونی به اجرا در آورده است ،دیگر آرشیوسازی ،وب یک پروژه در کتابخانه ملی فرانسه نیست بلکه فعالیتی روزمره و واحدی دائمی در اداره قانون واسپاری (1) این کتابخانه است. از آن جا که این امر بهترین رویکرد در مواجه با چالش گردآوری حجم روزافزون اشیای دیجیتال در وب است برداشت فله ای هنوز اولویت نخست به شمار می آید.

با وجود این برداشت فله ای به معنای برداشت کورکورانه نیست حتی وقتی روبات ها سعی دارند حداکثر فایل های وبی را کشف کنند خود را به رعایت قوانین و تنظیمات ملزم می کنند [20]. تصمیمات فنى ،قبل حین و بعد از خزش نقش قطعی در نتیجه برداشت دارد.

این مقاله راهبردهایی که بی.ان.اف با همکاری آرشیو اینترنت (IA) برای اجرای خزش های بزرگ مقیاس ارائه کرده است توصیف میکند این خزش ها می تواند با دیدگاه دامنه ملی فرانسه سازگار باشد.

به عبارت دیگر توجه به محدودیت های فنی، هنگام تعریف اهداف خزش فراگیر ضروری است. این نکته دلیل لزوم گفت و گوی دائمی میان کتابداران (که وظیفه تعریف خط مشی مجموعه سازی را بر عهده دارند) و مهندسان (که وظیفه اجرای خزش ها را بر عهده دارند) را به خوبی بیان می کند متدولوژی ای که در این بخش توصیف می شود نقطه تلاقی دغدغه های مربوط به این دو گروه است

خزش های کتابخانه در چارچوب قانون و اسپاری به اجرا درآمده اند سودمندی این چارچوب تنها برای پرداختن به مسائل حفاظت مالکیت معنوی نیست بلکه آرشیوسازی وب را به عنوان وظیفه ای مستمر مطرح می کند. مطابقت خط مشی مجموعه سازی در آرشیوهای وب، با قالب های قدیمی ،انتشارات امری ضروری است.

کشف خودکار وب گاه ها با روبات راه کاری است برای سازگاری با ویژگی «غیر تبعیض آمیزانه» قانون واسپاری ،فرانسه تا هم «بهترین» (انتشارات ادبی علمی) و هم «بدترین» (از آگهی ها گرفته تا پورنوگرافی) انتشارات فرانسوی را گردآوری کند با وجود ،این حتی روبات ها در معرض پیش داوری هستند. ساختار فراپیوندی ،وب نخست به کشف و گردآوری پر استناد ترین وب گاه منتهی شد اما با روبات های آرشیوسازی ما وب گاه های کم طرفدار فراموش نمی شوند برای اجتناب از این پیش داوری BNF در سپتامبر 2007، موافقت نامه ای را با انجمن همکاری نامگذاری اینترنت فرانسه (آفنیک) (1)، سازمان مسئول دامنه های fr و re. امضا کرد. طبق شرایط ،موافقت نامه این سازمان باید هر دو سال یک بار فهرست کاملی از اسامی دامنه ثبت شده موجود در دامنه های .fr و re را ارائه دهد (هم اکنون بیش از یک میلیون اسامی دامنه دارد) به عبارت دیگر BNF باید اعتبار این اطلاعات ارزشمند را تضمین کند.

بنابراین، هدف یک خزش دامنه ،بزرگ گردآوری نمونه ای جامع از دامنه ملی و ارائه تصویری از توليدات [فکری] فرانسه در زمان این گردآوری است در بیش تر موارد نمونه به عنوان یک تصویر در نظر گرفته می شود- راه کاری برای حفظ و تثبیت یک فضای در حال تحول از آن جا که گردآوری همه چیز ممکن نیست به بهای [از دست دادن] یکی برداشت چند سند از هر وب گاه را به گردآوری کل چند وب گاه ترجیح می دهیم

به این سبب خزش های عمیق تری را در مهم ترین وب گاه ها تجربه نکردیم مانند کتابخانه ملی استرالیا که با گذاشتن اولویت بالا در مورد وب گاه های دولتی و دانشگاهی این امر را انجام داد فهرستی از این وب گاه ها توسط کتابداران منتشر شده است [17]) این کار لازم هم نبود زیرا خزش های فراگیر ما با همراهی خزش های کانونی به صورت کامل به اجرا در می آیند.

از سوی دیگر، احتمال تأثیر سریع وب از تحولات فناورانه وجود دارد. قالب های انتشاراتی نوین پدیدار می شوند و در عرض چند ماه گسترش می یابند خزش فراگیر باید بازتاب دهنده این تحولات باشد به عنوان نهاد قانون واسپاری یکی از اهداف ،ما روشن کردن قالب های نوین انتشاراتی است و در نتیجه کسب اطمینان از اینکه روبات توانایی برداشت این اسناد را داشته باشد به این سبب، در سال 2006 ، به وب نوشت ها و وب گاه های شخصی توجه بیش تری داشتیم و در سال 2007 بر ویدیو ها تأکید

ص: 260

داریم (در ادامه می آید).

طبق اهداف از پیش تعریف شده در آینده احتمال دارد مجموعه قبل و در زمان خزش شکل گیرد. قبل از آغاز کار ،برداشت درباره دو عامل مهم که سهم بزرگی در ساخت مجموعه های آینده دارند تصمیم گیری شد طراحی فهرست هسته، و تنظیمات خزش.

نخستین آن ها کمّی کردن تعداد دامنه هایی بود که هنوز فعال بودند و باید به طور عملی، به عنوان هسته، مورد استفاده قرار می گرفتند. این بررسی سنگین توسط آرشیو اینترنت (IA) انجام شده است. برای کسب اطمینان از برخط بودن پاسخ آن ها هر دامنه با دو نشانی مختلف بررسی می شد (یعنی بررسی 1/780/128 یو.آر.ال):

.http://www.domainname.fr و http://domainname.fr

عکس

شکل 1. پاسخ به وجود دی. ان. اس (1) در اسامی دامنه آفنیک

بر اساس نتایج، فهرستی از یو.آر.ال های معتبر به دست آمد تا آن جا که اگر نسخه www پاسخ نمی داد، از «domainname.fr» یا http://www.domainname.fr یا http://domainname.fr استفاده می شد.

هسته های بدون دی. ان. اس در فهرست هسته به طور تصادفی وارد می شدند.

ما اسامی دامنه های (و به ویژه در مجموعه خزش فراگیر 2006) موجود در فهرست آفنیک را که در آرشیوهای وب نیز موجود بودند بررسی کردیم فهمیدن این نکته که فقط 30 درصد از دامنه های آفنیک در مجموعه ما وجود داشت بسیار حائز توجه بود

این امر شاید به افزایش چشمگیر اندازه دامنه .fr مربوط باشد به یمن ساده شدن پی در پی قوانین مختص fr. از سال 2004 fr. به طور مداوم افزایش یافته است. عمده ترین ،آن ها اجازه ایجاد دامنه سطح ، بالا برای اشخاص در سال 2006 بود (تا این ،تاریخ تنها اداره ها و انجمن های خصوصی مجوز ایجاد دامنه fr را داشتند): با گذشت یکسال fr. بیش از 63 درصد افزایش یافت این امر باید مربوط به ایجاد تصور مثبت از ccTLD در کاربران اینترنت باشد. اشخاص 30 درصد دامنه های fr ثبت شده و 50 درصد ثبت نام های جدید را تشکیل می دهند [2].

همچنین، وجود پدیده فوق در فهرست ،آفنیک ممکن است تا حدی به خاطر حضور اسامی دامنه هایی باشد که یا پیوندی به وب گاه های دیگر ندارند و یا یا پیوندشان ضعیف است و توسط روبات ها در سال های گذشته کشف نشده بودند.

این رشد فوق العاده تا حد زیادی گسترش چشم گیر فهرست هسته را از 2006 تا 2007 توصیف می کند.

ص: 262

عکس

afnic cumu1

شكل 2. تغییر حجم دامنه fr. از 2006 تا 2007 (1)

شكل3. تغيير اندازه فهرست هسته از 2006 تا 2007

با قابلیت تنظیم ،بالا هریتریکس تغییر مقادیر زیادی از تنظیمات شامل ،دامنه، اولویت های خزش، فیلتر ها، آداب روبات ها و جز آن را مقدور می سازد.

تنظیمات فوق به خزشگر فرمان می دهد چه چیزی را و چگونه باید برداشت کند. زیرا تنظیمات تأثیر زیادی در مجموعه سازی دارند و روبات لازم است مطابق با اهداف خزش گر قالب بندی شود.

عکس

شكل 4. تعداد یو آر.ال های هر دامنه سطح بالا (TLD) خزش های کانونی انتخابات 2007

با وجود این هدف ما برداشت دامنه های دیگری غیر از fr و re از طریق دنبال کردن پیوند های تغییر مسیر داده شده بود این موضوع راه کاری برای اختیار کردن حوزه ای تغییر پذیر است. شاید رویکرد اکتشافی تر به گردآوری وب گاه های خارجی تر منتهی شود: این امر مشکلات قانونی (کتابخانه ملی فرانسه را به خارج از چارچوب قانون واسپاری می برد) و اقتصادی را پدید می آورد گردآوری وب گاه های غیر مرتبط (مطابق با مأموریت ما) باعث اشغال فضایی می شود که از آن می توان برای برداشت سایت های معتبر فرانسه استفاده بهتری کرد بنابراین تأکید بر fr یک انتخاب واقع بینانه بود. به علاوه، از آن جا که fr. به طور چشم گیری در حال رشد است می توان امیدوار بود که این دامنه، بخش بزرگ تری از وب فرانسه را سال به سال نمایندگی کند. از دیگر سو ممکن است در آینده به طور مثال با استفاده از مراجعه به دی.ان.اس خودکار (محل جغرافیایی) راه های نوینی را برای کشف سایت های فرانسوی خارج از دامنه fir بررسی کنیم

خزش وب گاه های بیش تری با چندین میزبان منجر می شد. وب نوشت های میزبانی شده در سکوهای تجاری یا صفحه های ،شخصی به عنوان میزبان های متمایز مقادیر زیادی از فضای مجموعه را اشغال می کنند به این ترتیب با استفاده از رویکردِ به ازای هر دامنه با این وب گاه ها به عنوان هویتی مستقل برخورد می شود.

برای خزش سال 2007 تصمیم گرفتیم رویکرد به ازای هر دامنه را اتخاذ کنیم. علت اصلی این امر تبعیت از فهرست آفنیک ،بود که فقط بر دامنه ها نظارت می.کند همچنین به عنوان یک نهاد و اسپاری می خواستیم به هر دامنه «شانس / فرصت» یکسانی برای برداشت شدن بدهیم. به علاوه، از آن جا که فهرست هسته 2007 بزرگ تر از فهرست های قبلی بود و مقادیر داده هایی که باید توسط آرشیو اینترنت (IA) بازیابی می شد افزایش نمی یافت (قسمت 5،2 را ببنید) بیم داشتیم ،که عمق خزش کم تری را کسب کنیم. بنابراین به وب گاه های تجاری یا سازمانی که اغلب چندین میزبان دارند و با خزش های کانونی بهتر برداشت می شوند، اهمیت زیادی بدهیم

در آغاز خزش لازم بود اسامی بزرگی مانند orange.fr skyblog.fr free.fr همچون سایر دامنه ها مدیریت شوند. تصمیم گیری برای اقدام به رفتار خاص با این وب گاه ها به تعویق افتاد: در طول خزش، هنگام تحلیل گزارش های ارسالی توسط مهندسان آرشیو اینترنت (IA) امکان انتخاب های مرتبط تر به نظر آسان تر می نمود.

همچنین برای جلوگیری از نمایندگی بیش از حد وب گاه های بزرگ برای هر سایت بیش ترین «بودجه» را تعیین کردیم برای روبات از یک دامنه برداشت بیش از 10,000 URL ممنوع بود. معنای این ،محدودیت این نبود که خزش گر وقتی به این مقدار می رسید به طور کامل متوقف شود؛ اگر کل بودجه خزش صرف نشده بود روبات اجازه داشت مقدار بیش تری برداشت کند

سرانجام برای اطمینان از اینکه روبات منابع کافی برای برداشت کل فهرست هسته در اختیار داشته ،باشد، سطح «میزان دوباره پر کردن» (1) را پایین تر انتخاب کردیم زمان اتصال به هسته هر «ریسمانِ» روبات (2) دستور برداشت صد URL که با دامنه مشابه را دریافت می کرد و سپس به هسته دیگر می رفت. پس از اتمام برداشت صد URL نخست هر هسته روبات به همان هسته باز می گشت.

این، رویکرد متوسطی میان رویکرد نخست پهنا (3) با هدف گردآوری وب گاه های مختلف تا جای ممکن و رویکرد آرشیو سازی ناب (4) است که در آن خزش عمیق یک سایت قبل از [آغاز] برداشت سایت بعدی انجام می گیرد

تصمیم گیری های فوق خطری را برای کتابخانه به همراه خواهد داشت در حقیقت، مجموعه فراهم شده نسبت به مجموعه های سال های قبل بسیار متفاوت است. با وجود این، برای ما بسیار اهمیت داشت که برای کشف راه های جدید در برآوردنِ ضرورت های وظیفه واسپاری قانونی خود، این شیوه گردآوری را تجربه کنیم.

ص: 266

عکس

شکل 5. تنظیمات خزش گر، از 2004 تا 2007

به گذاشتن تله - خزش گر تشویق کند (1)! در واقع صفحه های و بی محدود شده توسط فایل های robots. txt اغلب تله های خزش گر را در خود جای می دهند به علاوه، گاهی هدف قوانین حذف جلوگیری خزش گرها برای جست و جوی URL های است که می توانستند موجب اضافه بار در وب گاه ها شوند (به طور ،مثال پیشنهادهایی به یک گروه بحث (2)) . وقتی امکان نظارت بر برداشت هر وب گاه شخصی وجود داشته ،باشد مسائل فنی و مشکلات تولیدکنندگان وبگاه به راحتی در طول خزش کانونی مدیریت خواهند شد. اما کتابخانه تمایلی برای مدیریت آن ها در مقیاس کلان نداشت و نمی خواست مهندسان آرشیو اینترنت زیر فشار مخالفت های مدیران وب عصبانی غرق شوند (به هر حال، سیاست IA احترام به حذف های robots.txt است).

اغلب مؤسسه های مجری خزش های فراگیر در وب به ویژه برداشت دامنه ملی سیاست احترام به حذف روبات ها را انتخاب کردند .[17،10] Nearchive.dk مرکز مجازی (کتابخانه سلطنتی و کتابخانه ایالتی و دانشگاهی) با وظیفه آرشیوسازی دامنه دانمارک ترجیح می دهد از robots.txt چشم پوشی کند، زیرا این روبات بیش تر برای سایت های واقعا مهم شبکه مورد استفاده قرار می گیرد [3] (3) در واقع وب گاه ها با میزبانی محتوای بسیار ارزشمند مانند روزنامه ها یا - سایت های احزاب سیاسی رایج ترین وب گاه هایی هستند که از محدودیت های robots.txt استفاده می کنند [24].

با استفاده از کشت دامنه وب گاه های اصلی را شناسایی و حذف کردیم. بررسی های برخط نیز برای تعیین مطابقت رشته های حروف با تقویم ها پردازش شد تا آن ها را فیلتر و از ایجاد تله های روباتی جلوگیری کند.

هدف این کنترل ،هفتگی اطمینان از کسب 100 درصد کیفیت خزش نبود - به هر حال یک خزش فراگیر بود. هدف مدیریت بزرگ ترین صف ها به بهترین شکل ممکن و جلوگیری از هدر رفتن زمان و منابع زیادی توسط خزش گر بود.

3.3.«خزش تکه ای»

*«خزش تکه ای» (1)

بعد از سه هفته خزش مداوم شبانه روزی مهندسان IA تصمیم گرفتند خزش را متوقف کنند. آن ها به تحلیل QA در داده های بازیابی شده پرداختند تا دامنه هایی را مشخص کند که روبات به چهارمین سطح عمق آن ها (یعنی سه جهش نسبت به صفحه هسته) نرسیده بود این دامنه ها بار دیگر (با عنوان «خزش تکه ای») هر زمان که ممکن بود خزش شدند.

خزش تکه ای دیگری برای بازیابی فایل های ویدئویی شناخته شده در طول مدت برداشت راه اندازی شد اما بنا به دلایل فنی بارگذاری نشد (مشکلات فایل های میزبانی شده در دامنه های مختلف و جز آن).

4.پیامدهای خزش

تحلیل های زیادی درباره مجموعه برداشت شده صورت گرفت مهندسان ،IA که برای کمک به ما در زمان نصب قفسه ها به پاریس آمده بودند بسیار کارآمد بودند. نخستین هدف این تحلیل ها کنترل کیفیت داده های دریافتی بود همچنین مایل بودیم مجموعه ها را در مقیاس وسیع شناسایی کنیم: طیف اسناد موجود در قفسه ها در عمل چه بود شکل و عمق وب گاه های برداشت شده چگونه بود و جز آن. از این رو، هدف، تعیین کمیت و کیفیت مجموعه سال 2007 ما بود. سرانجام تحلیل نتایج خزش فراگیر 2007 ، و مقایسه این نتایج با خزش های قبلی (به ویژه خزش سال 2006) برای تعیین تأثیر تنظیمات جدید خزش و تصمیم گیری درباره این که آیا این خزش ها در جهت وظیفه واسپاری قانونی ما قرار دارند، ضرورت داشت.

1.4.اشکال اصلی

عکس

ص: 271

عکس

شكل .6 اشکال اصلی خزش فراگیر fr 2007

به خاطر افزایش چشم گیر فهرست ،هسته رشد تعداد دامنه های برداشت شده پیش بینی می شد. همکاری با آفنیک (انجمن نام گذاری اینترنت فرانسه برای ثبت fr) در سال 2006، به کتابخانه اجازه داد دامنه های .fr گردآوری شده را در شش مرحله کشف و برداشت کند.

به عبارت دیگر در سال 2007 نسبت به 2006 با وجود افزایش یو. آر.ال های برداشت شده توسط IA میزبان های کمتری خزش شدند این ،امر احتمال دارد به خاطر رویکردِ در ازای هر دامنه مربوط به آخرین خزش فراگیر ما باشد.

شمار .يو. آر.ال ها در ازای هر دامنه یا در ازای هر میزبان راه کاری ساده برای ارزشیابی «عمق متوسط» یک خزش است این ،شکل تفاوت های معنی دار فراوانی میان وب گاه ها را پنهان می کند: شکل در بخش 4. 6 با جزئیات بیشتر بررسی شده است.

که سرآیند ها به طرز نامناسبی تعیین شده اند.

به نظر می رسد اهمیت این مسئله سال به سال بیشتر شود. یو.آر.ال های خزش فراگیر 2004، دارای 554 سرایند گوناگون هستند؛ این رقم به 1024 در سال 2006 و به 1604 در 2007 تغییر یافت.

عکس

شکل 7. ده رتبه نخست سرایند خزش فراگیر 2007 (1)

اما اگر نمی توانیم به سرآیند یک فایل منفرد اطمینان کاملی داشته باشیم توزیع فراگیر تعیین شده برای صد ها میلیون سند به احتمال زیاد قابل اعتماد .است تحول سرآیند می تواند به عنوان راهی برای تحلیل تغییرات و تمایلات در مقیاسی وسیع دیده .شود به طور مثال می توان از سال 2004 تا 2007 کاهش در استفاده از قالب GIF را به نفع JPEG و فورمت باز PNG (2) را مشاهده کرد (میزان تصاویر GIF در عرض این چهار سال تقریباً نصف شده است). بر همین اساس میزان اسناد XML پنج برابر شده است. حتی وقتی به حجم اسناد برداشت شده نگاه می کنیم رشد فایل های XML در وب وضوح بیش تری می یابد: از 88/000 در سال 2004 به یک میلیون در 2007 شاید این ،رشد تا ،اندازه ای به خاطر کاربرد فزاینده .آر.اس. اس خوان ها (3) باشد (سرآیند صحیح برای یک فایل آر.اس.اس، «application/rss» است، اما غالبا «application/xml» يا حتى «text/xml» به جای آن به کار می روند).

ص: 273

قالب فایلی دیگر رو به افزایش در مجموعه های خزش های فراگیر ، نرم افزار فلش شاک ویو (1) است. این رشد می تواند دو علت داشته باشد:محبوبیت در حال افزایش قالب فلش در وب توانایی بیش تر خزنده هریتریکس برای برداشت این نوع فایل

عکس

جدول 8. تحول در چند سرآیند از 2004 تا 2007

از منظر حفاظت بلندمدت این اطلاعات بسیار ارزشمند است و قالبی را که - در مقیاس ملی و نیز بین المللی باید تلاش های خود را بر آن متمرکز سازیم ارائه می کند کاربرد رو به افزایش قالب های باز مانند PNG یا XML ، اخبار خوبی از این نقطه نظر است

عکس

شكل 9. تحول سرآیند فایل های ویدئویی از 2004 تا 2007

سال ها قبل در 10 رتبه نخست دامنه سطح بالا جای داشت)، و ظهور ناگهانی eu. توجه کنید.

با وجود این، اگر به تعداد دامنه های میزبانی شده در یک دامنه سطح بالای خاص نگاه کنیم توزیع های متفاوت را متوجه می شویم.

عکس

جدول 11. درصد دامنه هر تی.ال.دی (منحصر به net fr .com. ، و org.)، از 2005 تا 2007.

مجموعه های 2005 و 2006، که با تنظیمات مشابه (فهرست هسته و تنظیمات خزش) شکل گرفته اند برتری بیش تر دامنه های سطح بالای عمومی را بر fr نشان می دهند این ارقام می تواند توسط حجم زیاد دامنه های غیر موجود در فهرست ،هسته که توسط روبات لمس شده بود توصیف شود (یعنی جایی که یک یو.آر.ال. پیوند یافته به یک یو.آر.ال درون حوزه مورد خزش قرار گرفته است). برخی پیوندها به دامنه های .com یا .net در صفحه های fr قابل دسترس بودند و به همین دلیل تا حدودی گردآوری شدند به خاطر افزایش چشمگیر اندازه فهرست هسته (1) میزان زیادی از دامنه های قابل دسترس در مجموعه 2005 و 2006 - اما نه در خزش فراگیر 2007 عرضه می شوند.

شوند، زیرا آن ها توسط موتور های جست و جو نمایه سازی نشده بودند این فرض با کمک شیوه ای که روبات های ما این فایل ها را کشف کردند مورد تأیید قرار گرفته است: نیمی از آن ها (7/378/578)، هنگام پیگیری یک پیوند جاسازی شده یافت شدند.

بنابراین، تمکین از robots.txt مانع برداشت بسیار مرتبط داده هایی می شود که برای روبات های موتورهای جست وجو، غیر ضروری اما برای روبات آرشیوسازی ما بسیار مفید است. در برخی مواقع، پروتکل حذف روبات ها (آر.ای.پی) از دسترسی ما به کل یک سایت جلوگیری می کرد بیش از 150/000 URL که به عنوان هسته هایی که به وسیله robots.txt محافظت می شدند به کار رفتند.

6.4عمق خزش

برای تعیین عمق خزش، ممکن است تعداد یو. آر. ال ها برای هر دامنه .fr را محاسبه کنیم.

عکس

جدول 12. تعداد یو.آر.ال ها برای هر دامنه .fr ، خزش فراگیر 2007

تقریباً 50 درصد دامنه های برداشت شده شامل 10 یو.آر.ال یا کم تر هستند. این امر می تواند به سب عدم دسترسی به سرور دائمی در طول خزش باشد با وجود این ما چندین آزمایش «دستی» انجام دادیم یعنی برای کشف آن چه به صورت برخط قابل دسترس بود در یک دو جین نام دامنه با آستانه 10 یو.آر.ال کلیک کردیم این آزمایش ها نشان دادند که این وب گاه ها خالی بودند (مالکان آن ها را خریداری کردند تا مطمئن شوند که آن ها استفاده نخواهند شد، اما خودشان هم از آن ها استفاده نمی کند) یا این که آن ها برای کشت پیوند استفاده شدند.

این ارقام با ارقام متعلق به خزش فراگیر قبلی بسیار تفاوت داشتند.

شكل 13: تعداد یو.آر.ال ها برای هر دامنه .fr. خزش فراگیر 2006

ص: 277

سه تفاوت عمده میان سال های 2006 و 2007 درباره عمق دامنه های fr. عبارت اند از:

- دامنه های بسیار زیاد تقریباً خالی در 2007 که می توانست ناشی از افزایش اندازه فهرست هسته باشد.

- برخی دامنه ها در جایی که بیش از 10,000 یو آر ال آرشیو شده بود میان دو خزش به عدد 10 تقسیم شدند این امر پیامد محدود کردن «بودجه» برای 10,000 یو.آر.ال بود؛ همچنین شاید به خاطر رویکرد «به ازای هر دامنه»: دامنه های چندین میزبانه باز نمون نمی شوند.

- از سوی دیگر این رویکرد خزش عمیق تر تعداد بیش تر دامنه های «کوچک» یا «متوسط»، بین 100 و 10,000 يو.آر.ال را اجازه می داد.

ممکن است این ارقام تحت تأثیر تله های روبات ،باشند اما در حال حاضر نمی دانیم با کدام پسوند. سایر کنترل کیفیت ها، بیش از همه کنترل بصری وب گاه های شخصی برای تخمین این ارقام ضرورت دارد. با وجود این ارقام از دید قانون واسپاری فرانسه و اهداف اولیه این ،خزش، رضایت بخش به نظر رسد: با تضمین اینکه همه وب گاه های .fr موجود در مجموعه وظیفه سنگین برداشت وب گاه های کوچک و متوسط شاید به بهای وب گاه های بزرگ تر را داشته باشند

عکس

شكل 14. ده دامنه بزرگ اول، از 2005 تا 2007

به علت انجام تنظیمات خاص در مجموعه 2007، بالاترین رتبه دامنه ها تقریباً مربوط به دامنه های سطح دوم است از سوی دیگر در خزش های 2005 و 2006، دو نوع وبگاه کشف شد سکو هایی با میزبانی و بنوشت ها و وب گاه های شخصی (free.fr, sportblog.ir) که توسط رویکرد به ازای هر میزبان پشتیبانی شده اند و وب گاه های تجاری با آگهی در صفحه های متعدد (به طور مثال .promovacances fr ، آژانس مسافرتی برخط) خزش فراگیر 2005 نیز چند وب گاه دانشگاهی را نشان می دهد (16 وب گاه دانشگاهی در 50 دامنه بزرگ اول)، مانند jussien.fr یا .cnrs.fr در سال های بعد این وب گاه ها تقریباً در فهرست 50 وبگاه بزرگ اول وارد شدند.

حضور گسترده وب گاه های تجاری توصیف کننده تعداد دامنه های سطح بالای عمومی در 50 دامنه بزرگ اول هستند: حتی برای مجموعه 2007 تنها 32 درصد در .fr هستند به این ترتیب، توصیف مجموعه منعکس کننده وب فرانسه در سال 2007 چنین است: عمدتاً فضایی برای تجارت، خدمات و روابط اجتماعی

توجه خاص به دامنه های سطح دوم در طول برداشت سال 2007 به کتابخانه ملی فرانسه خزش مقادیر داده اندکی پایین تر را نسبت به مشابه آن ها در برداشت سال 2006 اجازه داد. مهم ترین استثنا دامنه سطح دوم .gou.fr است از 2٫3 میلیون به 500,000 یو.آر.ال سقوط کرده است. یک راه برای توصیف این رقم کاربرد مشترک دامنه های سطح سوم و حتی چهارم در وب گاه های دولتی (به طور مثال، .www rhone.pref.gouv.fr یا www.auvergne.culture.gouv.fr) است.

تأکید بر فایل های ویدئویی مجموعه بهتری از وب گاه های پخش ویدئویی (1) به بار آورد دیلی موشن (2) 10 تا از پر رتبه ترین ها دامنه ها را وارد کرد (در سال 2006 ، تنها 30,000 يو.آر.ال در این دامنه برداشت شده بود). تعداد فایل های گردآوری شده در یوتیوپ دوبرابر شدند.

این اصول «غیر تبعیض آمیزانه» با ویژگی دیگر قانون واسپاری: میل به گردآوردن تمام قالب های انتشاراتی در حال ظهور ناسازگار نیستند. کتابخانه در گذشته [از قالب های مختلفی] پشتیبانی می کرد: متون، تصویر، صدا یا .ویدئو. با آرشیوسازی وب دیگر رفتار متفاوت با آن ها قابل تصور نیست زیرا این قالب ها به عناصری در شبکه ای یکسان پیوند یافته اند با وجود ،این در صورت ضرورت می توان به راه حل های مناسبی برای انواع مختلف رسانه دست یافت گردآوری نمایه سازی، حفاظت و دستیابی به فایل های متنی و دیداری - شنیداری یا تعاملی همواره به مسائل یکسانی ختم نمی شوند.

هنوز پرسش هایی باقی است: به طور مثال دشوار است که بگوییم، در حال حاضر، برای کسب تصویری جامع از وب فرانسه آیا رویکرد تأکید تنها بر دامنه ها بهتر از نگهداری به ازای هر میزبان به طور جداگانه است لازم است تحلیل بیشتری برای پاسخ به این سؤال انجام شود و کتابخانه ملی فرانسه، به شنیدن گزارش های بین المللی درباره این موضوع بسیار علاقه دارد سرانجام، مسئله، چگونگی تعریف یک وبگاه است زیرا این هویت هوشمند اغلب با میزبانی فنی سازگار نیست اگر وب گاه را به عنوان دامنه تعریف کنیم، رویکرد به ازای هر دامنه باید پذیرفته شود، زیرا به خزش بهتر وب گاه های کوچک یا متوسط منتهی می شود. اما اگر وبگاه را به عنوان هویتی فکری ایجاد شده توسط یک نویسنده یا یک ویراستار (یک یا چند شخص یک مؤسسه عمومی یا خصوصی) تعریف کنیم سایت و دامنه دیگر با هم سازگار نیستد. در واقع، تعداد یا حتی حجم عظیمی از وب گاه ها می توانند تحت یک نام دامنه میزبانی شوند، همچون و بنوشت های میزبانی شده در سکوهای تجاری. این سایت ها- با وجود مرتبط بودن - با راه کاری که در سال 2007 استفاده کردیم بازنمون نشد «به طور مثال، صفحه های شخصی فراوانی، به کل، از free.fr در 2006 برداشت شدند اما یک سال بعد ناپدید شدند برای اجتناب از این مسئله، در خزش های فراگیر آینده به کارگیری رویکردی خاص برای بسیاری از سکوهای عمومی برای میزبانی کردن برخی وب گاه ها یا وب نوشت های شخصی امکان پذیر است زیرا متوجه سکوهای پخش ویدئو در 2007 بودیم.

این تصمیم ها نشان دهنده اصلاحاتی است که می توانست هدف خز شگر هریتریکس باشد. قابلیت های بهتر برای تجزیه و برداشت قالب های پیچیده ،فایل یکی از مسائل ضروری است- از این نقطه نظر هریتریکس پیش از این خود را بسیار پیکربندی شده نشان داد. در چارچوب پروژه «خزشگر هوشمند»، ،تاکنون سه ویژگی ،دیگر توسط IA، IIPC کتابخانه کنگره کتابخانه ،بریتانیا و کتابخانه ملی فرانسه - که هدف شان توسعه روبات هریتریکس است- ارائه شده است نخستین ،آن ها اجتناب از برداشت محتوایی است که از زمان آخرین خزش تغییری نکرده است: این ویژگی کاهش تکرار به صرفه جویی در تخمین منابع و ذخیره سازی آن ها و بنابراین به خزش عمیق تر وب گاه ها منجر می شود. دومین ویژگی، دادن مجوز به روبات برای اولویت بندی URL های داخل صف است. تلفیق رویکرد تمام گزینشی (در آغاز خزش) با به کارگیری قابلیت های کنترل خزش خودکار بهینه بسیار مفید خواهد بود. سومین توسعه، شناسایی خودکار بسامد تغییر وب گاه ها نیز به روبات اجازه شناسایی سایت هایی که باید به آن ها توجه خاصی مبذول شود، می دهد. از این رو، به طور مثال این امر باعث می شود تاریخ ها و بسامدهای خزش فراگیر را انتخاب کنیم، یا خزش های کانونی را در سایت های پر تغییر اجرا کنیم

ص: 281

در حقیقت اگر قرار است خزش های فراگیر با عمقی متوسط هر وب گاهی را یک یا دوبار در سال برداشت کنند باید هدف از خزش های کانونی را چنین تعریف :کنیم خزش های کانونی باید از ابتدا قصد شان آرشیو وب گاه های بزرگ و عمیق باشد؛ نه وب گاه های فرانسوی fr یا وب گاه های پرتغییر - آرشیو آن ها به بهترین شکل ممکن زیرا حتی خزش های کانونی اغلب برای برداشت کامل وب گاه های عظیم و گردآوری اسناد موجود در وب پنهان کافی نیستند با وجود این باید به خاطر داشته باشیم که تهیه تصاویر تنها راه - و اقتصادی ترین راه- گردآوری حافظه دیجیتال فرانسه است و اتخاذ هر تصمیم در این موضوع در سایر راه های آرشیوسازی در راهبرد تلفیقی باید به حساب آیند.

[13] IIPC. International internet preservation consortium-welcome. http://www.netpreserve. org. [Accessed: May 24,2008].

[14] Illien, G., Aubry, S., Hafri Y. and Lasfargues, F 2006. Sketching and checking quality for web archives: a first stage report from BnF. Bibliothèque nationale de France, Paris. http://bibnum.bnf.fr/conservation/index.html

[15] Illien, G. 2006. Web archiving at BnF. In International Preservation News, Paris, BnF, 27-34. http://www.ifla.org/VI/4/news/ipnn40.pdf

[16] Kimpton, M., Braggs, M. and Ubois, J. 2006. Year by Year: From an Archive of the Internet to an Archive on the Internet. In Web Archiving, J. Masanès, Ed, Springer, Berlin, Heidelberg, New York.

[17] Koerbin, P. 2005. Report on the crawl and Harvest of the Whole Australian Web Domain Undertaken during June and July 2005. National Library of Australia, Canberra. http:// pandora.nla.gov.au/documents/domain-harvest-report-public.pdf

[18] Koerbin, P. 2008. The Australian Web domain harvests: a preliminary quantitative analysis of the archive data. National Library of Australia, Canberra. http://pandora.nla. gov.au/documents/auscrawls.pdf

[19] Masanès, J. 2002. Towards continuous Web Archiving: First results and an agenda for the future. In D-Lib Magazine, 8 (12).http://www.dlib.org/dlib/december02/masanes/12masanes.html

[20] Masanès, J. 2006. Selection for Web Archives. In Web Archiving, J. Masanès, Ed, Springer, Berlin, Heidelberg, New York.

[21] Mohr, G., Kimpton, M., Stack, M, and Ranitovic, I. 2004.Introduction to Heritrix, an archival quality Web crawler.Paper presented at the 4th International Web Archiving Workshop (Bath, United Kingdom, 2004). http://www.iwaw.net/04/Mohr.pdf

[22] Najork, M. and Wiener, J. L. 2001. Breadth-First Search Crawling Yields High-Quality Pages. In: Proceedings of the 10th international conference on World Wide Web. Elsevier Science, Hong Kong, 114-118.

[23] Sun, Y. Zhuang Z., Councill I. and Giles C L. 2007 Determining Bias to Search Engines from Robots.txt. In Proceedings of the IEEE/WIC/ACM International Conference on Web Intelligence. IEEE Computer Society Washington, 149-155. http://www.personal. psu.edu/yus115/docs/sun-robotstxtbias. pdf

[24] Sun, Y. Zhuang Z. and Giles C. L..2007. A large-scale study of robots.txt. In WWW '07:

ص: 284

Proceedings of the 16th international conference on World Wide Web, ACM Press, New York 1123-1124. http://www2007.org/posters/poster 1034.pdf

[25] YouTube. YouTube - Broadcast Yourself. http://www.youtube.com [Accessed: May 15, 2008

ص: 285

الکترونیکی) یک JPEG تنها یا یک تصویر TIFF (شبیه تصاویر و عکس ها) نیست بلکه چند وجهی است: یک صفحه وب گردآوری تعدادی عوامل (متون، تصاویر، نوشته ها، شیوه نامه ها (1)، فایل های صوتی و ویدئویی و غیره) است که ممکن است از جاهایی دیگر (سامانه فایل محلی پایگاه داده وبگاه راه دور دیگر و غیره) بیاید و هنگامی که هر کاربر وبگاه را با یک مرورگر مشاهده می کند، جمع آوری شوند. تحلیل گردآوری یک نمونه 2/9 میلیون وبگاه فرانسوی در سال 2007 نشان داد که حدود 1600 نوع رسانه اینترنتی متفاوت وجود دارد. (2)

• یک وبگاه آغازی ندارد و نمی تواند تا آخر خوانده شود موجودیتی عقلانی است که می تواند توسط کاربری متفاوت از کاربر دیگر دیده شود. در ارتباط با شبکه ای از دیگر وب گاه های پیوند یافته توسط پیوندهای ،فرامتنی، شبکه ای از پیوندهایی که حتی قوی تر از شبکه یک انتشارات علمی مبتنی بر استناد ها و اطلاعات کتاب شناختی است وجود دارد.

• وب گاه ها بسیار متعدد هستند و وب هیچ مرزی ندارد. بر اساس آخرین نظر سنجی نتکرافت (3)، بیش از 206 میلیون وبگاه وجود دارد. (4) بیش تر آن ها از هر کشوری در دنیا قابل دسترس هستند و ممکن است بخشی از یک مجموعه ملی بر اساس رهنمودهای خط مشی توسعه مجموعه ملی حقوقی یا سازمانی باشند.

• محتوای وب همیشه درست شبیه یک بخار در حرکت است صفحات وب ممکن است در عرض یک روز چندین مرتبه روزآمد شوند (در صفحات وب روزنامه هایی مانند لوموند (5) و لیبراسیون (6) علائم کوچکی وجود دارد که نشان می دهند محتوی چند دقیقه قبل روزآمد شده است).

• وب گاه ها و محتوای وب نیز گذرا هستند: یک صفحه وب ممکن است در هر زمانی و به چند دلیل ناپدید شود: توقف اختیاری یا غیر عمدی توسط وب مستر عدم تمدید نام دامنه شکستن دیسک یا مشکلات دسترسی شبکه به سرور میزبان و غیره محتوای وب به یک حادثه خاص پیش بینی شده یا غیر مترقبه پیوند دارد و به ویژه در معرض خطر است به مناسبت یک گزینش مشارکتی و طرح گردآوری وب گاه های سیاسی در طول انتخابات ریاست جمهوری 2007 فرانسه کتابخانه لیون (7) دریافت که 52 درصد از 421 وب گاهی که انتخاب شده بودند یا به طور کامل یا به طور تقریبی پنج ماه بعد از رأی گیری بسته شدند. (8)

شدند، اختراع میشد کتابخانه ملی فرانسه نخست آزمایش می کرد، سپس سازمانش را با جمع آوری، حفظ و دسترس پذیری به این انتشارات دیجیتال متولد شده وفق می داد زمان آن رسیده است که پس از ،کتاب ها حکاکی ها پارتیسیون های موسیقی عکس ها ،پوستر ها مدارک صوتی تصویری و چندرسانه ای وب گاه ها نیز بایگانی شوند.

قانون میراث فرانسه (1)، اکنون حق مالکیت IV (ماده1- 311 L تا پایان (1- 133 L) از قانون حق مؤلف و نگرش های حقوقی در جامعه اطلاعاتی 2006-961 را که مطابق دستور عمل EC /2001 / 29 پارلمان اروپا و شورای 22 می 2001 در مورد سازگاری جنبه های خاص کپی رایت و حقوق مرتبط با جامعه اطلاعاتی (2) است به ثبت می رساند.

این قانون که به طور رسمی سوم آگوست 2006 منتشر شد:

• دامنه واسپاری حقوقی (3) اینترنت را به این موارد گسترش می دهد: مشمول واسپاری حقوقی هر علامت، نشانه نوشته، تصویر صدا یا پیغام های هر نوع ارتباط با عموم به وسیله کانال های الکترونیکی نیز می شود (ماده 39) قانون برای همه نوع انتشارات الکترونیکی آنلاین از جمله مجموعه ای از علائم نشانه ها، تصاویر، صداها یا هر نوع پیغامی که در اینترنت در دسترس عموم باشد، قابل اجر است نه تنها وب گاه ها، بلکه خبرنامه ها و رسانه های جاری نیز شامل این تعریف می شوند؛

• چگونگی تقسیم مسئولیت های واسپاری وب بین سازمان های تحت قیومیت را تعریف می کند: مؤسسه خبرگزاری ملی که مسئول حفظ میراث صوتی تصویری فرانسه است وب گاه های مرتبط با ارتباطات صوتی تصویری (به طور عمده رادیو و تلویزیون) و کتابخانه ملی فرانسه تمامی وبگاه ها را جمع آوری خواهند کرد؛ یک حکم در دست اقدام است تا فرایندهای گزینش و دسترسی را به اجرا درآورد؛

• راهبردهای جمع آوری را خاص می کند در کتابخانه ملی فرانسه و اسپاری حقوقی اینترنت نیاز به اجازه از ناشران ندارد و به جمع آوری خودکار بخش عمده اولویت می دهد: سازمان های تحت قیومیت ممکن است مواد را مطابق با فرایندهای خاص واسپاری تولید کنندگان از اینترنت جمع آوری کنند. قانون نیز تصریح می کند که هیچ مانعی همچون برقراری ارتباط (4) رمز عبور یا شکل های دیگر محدودیت دسترسی ممکن نیست توسط ناشران برای محدود کردن این فرایند استفاده شود.

• به عنوان یک هسته هر وب گاهی با دامنه fr TLD. یا هر TLD مشابه دیگری که به قلمرو مدیریتی فرانسه مربوط می شود (به عنوان مثال re برای جزیره فرانسوی La Reunion)

• هر وب گاهی (به احتمال خارج از دامنه fr) که تولید کننده اش از نظر جغرافیایی تحت قلمرو فرانسه هست (به طور معمول این می تواند در صفحات وب یا با استفاده از سرورهای خاص بررسی شود)؛

• هر وب گاهی (به احتمال خارج از دامنه fr) که بتوان ثابت کرد محتوای تولید شده اش در قلمرو فرانسه به نمایش گذاشته می شود (بررسی این معیار اخیر چالش برانگیز تر است اما فرصتی برای تفسیر و مذاکره با کتابخانه و تولیدکنندگان اینترنت ایجاد می کند).

اسلوب واسپاری حقوقی است (به عنوان مثال فرض را بر این قرار نمی دهد آن چه را که مورد علاقه پژوهش گران در 100 سال آینده است، شناسایی کند). با این حال آرشیوهایی که با این روش ایجاد می شوند بسیار سطحی هستند؛ محتوای عمیق یا تحولات وبگاه را حفظ نمی کنند.

• خزش های متمرکز (1): جمع آوری گزینشی خزش های وسیع را کامل می کند. کتابداران موضوعی وب گاه هایی را برای چنین خزش های متمرکز منطبق با طرح های توسعه مجموعه (همکاری با دیگر کتابخانه ها و پژوهشگران نیز ممکن است) انتخاب می کنند خزش های متمرکز می توانند واقعه محور (انتخابات فرانسه در سال های 2002، 2004 ، 2007 ، و 2009) یا موضوعی (خاطرات و بلاگ های شخصی توسعه ،پایدار عمل گرایی وب و غیره) باشند خزش های متمرکز ساخت آرشیوهای کاملتر و بیشتر را از تعداد محدودی از وب گاه ها ممکن می سازند.

امروزه آرشیوهای وب کتابخانه ملی فرانسه یا آرشیوهای وب حوزه ملی فرانسه شامل 12/5 میلیارد .یو.آر.ال. می شود و 145 ترابایت فضای دیسک اشغال می کند. تاریخ قدیمی ترین صفحات وب به 1996 باز می گردد و این صفحات به لطف آرشیو ملی به دست آمدند که سازمانی غیر انتفاعی است و در نظر دارد یک کتابخانه اینترنتی بسازد و پیشگام آرشیو وب است آخرین تاریخ صفحات وب به چند ساعت قبل باز می گردد.

شده است تا از فراهم آوری های حقوقی که به تمامی مجموعه های واسپاری و میراث حقوقی مربوط می شوند و در نظر دارند کاملاً به کپی رایت و قوانین شخصی احترام بگذارند، تبعیت کند.

برای دسترسی ،توافقی کاربران نهایی باید بالاتر از 18 سال باشند و مدرکی جهت نیاز دانشگاهی فعالیت های حرفه ای یا شخصی پژوهشی شان برای دسترسی به این آرشیوها ارائه کنند (اکنون کتابخانه ملی فرانسه آخرین و تنها منبع این نوع سند است زیرا تنها کتابخانه ای است که این خدمت را در فرانسه ارائه می کند). کارت های خوانندگان توسط سرویس راهنمای خوانندگان در کتابخانه های فرانسوا - میتران یا ریشولیو پس از مصاحبه شخصی با یک کتابدار صادر می شود بر اساس نیازهای کاربران این مصاحبه تعیین می کند کاربران اجازه ورود به یک یا چند بخش را دارند و دوره اعتبار کارت (3 روز 15 روز سالانه) چقدر است

آرشیوهای وب همراه با تمامی خدمات الکترونیکی کتابخانه (وب گاه های اطلاعاتی، تسهیلات رزرو، فهرست ها، دسترسی به اینترنت) و منابع الکترونیکی (کتاب ها و تصاویر دیجیتالی، نشریات الکترونیکی پایگاه داده های آنلاین، لوح های فشرده، بوک مارک ها) روی 350 کامپیوتر واقع در اتاق های مطالعه کتابخانه پژوهشی در دسترس هستند این کامپیوتر ها در دسترس عموم هستند اما کاربران برای یک جا در کتابخانه و استفاده از کامپیوترها نیاز دارند از قبل جا ذخیره کنند

ابزارهای جستجو و دیدن

آرشیوهای وب از طریق برنامه کاربردی اختصاصی ای که مجموعه «آرشیوهای اینترنت» (1) نامیده می شود، قابل دسترس می شوند واژه «آرشیوها» استفاده می شود تا تأکید کند که این مجموعه ها جامع نیستند. برنامه کاربردی توسط یک نوار نارنجی با حروف www و یک نشانگر ماوس روی آن ارائه می شود تا نشان دهد گر چه صفحات وب در یک جعبه قرار می گیرند هنوز قابل کلیک هستند کتابخانه ملی فرانسه توسعه یک همانندی دیداری و یک علامت خاص (2) را انتخاب کرده است تا آرشیوهای وب را بیش تر قابل دیدن کند.

عکس

تصویر 1. صفحه اصلی خدمات و منابع الکترونیکی کتابخانه پژوهشی کتابخانه ملی فرانسه

ص: 292

برای مرور آرشیوها کتابخانه ملی فرانسه سه ابزار متفاوت ارائه می کند:

• جستجو با یو آر.ال.

• جستجو با کلیدواژه

• مجموعه های مشخصی که در نظر دارند کشف مجموعه های اختصاصی را تسهیل کنند.

هر سه ابزار در برنامه کاربردی واحدی به نام آرشیو اینترنت منسجم شده است (تصویر 2)

عکس

تصویر 2. صفحه خانگی عملکرد آرشیو اینترنت

جستجوى يو.آر.ال. (1) کاربران را قادر می سازد آرشیو یک وبگاه یک صفحه وب یا حتی فایل را با وارد کردن جایگاه اصلی اینترنتی اش جستجو کنند. به عنوان مثال جستجوی http://www.lemonde fr 617 نتیجه می دهد (از 15 ژوئن (2010) که در یک نگاه تقویمی از 1996 تا 2010 نمایش داده می شوند (نتایج می توانند به تاریخ های خاصی محدود شوند). هر تاریخ قابل کلیک است و دسترسی به صفحه خانگی روزنامه لوموند می دهد که در آن تاریخ قابل دسترس بوده است. این نوع جستجو زمان جستجوی توسعه یک وبگاه و مقایسه ویرایش های آن بسیار مفید است اما درست شبیه جستجوی یک شماره بازیابی در یک فهرست، کاربران باید یو.آر.ال. وب گاه یا صفحه وبی که می خواهند جستجو کنند، بدانند (به عنوان مثال از یک کتابشناسی) یا باید قادر باشند آن را پیدا کنند (با استفاده از راهنماها یا پیوندهای بیرونی (2) که به وب گاه های همکار ارجاع می دهند). کاربران نیز ممکن است وب در حال فعالیت و آرشیوهای وب را همزمان در حال استفاده از دو مرورگر با ظاهری متفاوت به نوبت مرور کنند. در حال حاضر، جستجوی یو. آر.ال. تنها روش جستجوی تمام آرشیوهاست.

• جستجوی کلید واژه ای شبیه یک موتور جستجوی سنتی کار می کند: کاربران را قادر می سازد اسناد متنی را که شامل یک یا چند واژه است جستجو نمایند. به لطف گزینه های جستجوی پیشرفته نیز کاربران ممکن است عین یک عبارت یا جمله را جستجو کنند یا جستجو را به یک وب گاه خاص

ص: 293

محدود کنند. این جستجو هنوز آزمایشی است و فقط پنج درصد آرشیو های وب کتابخانه ملی فرانسه را شامل می شود نمایه سازی تمام متن میلیاردها فایل بینظم با به حساب آوردن نسخه های تکراری و انسجام موقت که آن ها را به یکدیگر پیوند می دهد، یک چالش فنی است که چندین طرح پژوهشی بین المللی در تلاش اند تا آن را برطرف کنند اما هنوز موفق نشده اند.

• علاوه بر گزینه های جستجو مهمترین کارآمدی های این عملکرد عبارت اند از: توانایی نمایش صفحات وب با جمع آوری تعدادی عوامل که ممکن است در تاریخ های متفاوتی یا دست کم در زمان های مختلف آرشیو شده باشند و در نتیجه دوباره یک وبگاه مصنوع ایجاد کنند.

• توانایی کلیک روی پیوندها با در نظر گرفتن انسجام موقت (به عنوان مثال اگر ما به وبگاه الیزه ریاست جمهوری فرانسه (1) در 7 می 2007 نگاه کنیم و روی یک پیوند کلیک کنیم تا وبگاه دولت را ببینیم انتظار داریم ویرایش ماه می 2007 را مشاهده کنیم).

این کارآمدی ها و جستجوی یو.آر.ال توسط ماشین وی یک منبع باز (2) پشتیبانی می شوند و توسط آرشیو اینترنت با مشارکت ICP توسعه می یابند جستجوی کلیدواژه ای بر پایه نرم افزار ناچ واکس منبع باز (3) (ناچ با الحاقات آرشیو وب) بنا شده است. همچنین این نرم افزار که توسط آرشیو اینترنت و گردهمایی کتابخانه های ملی نوردیک (4) توسعه یافته ابزاری است برای نمایه سازی و جستجوی آرشیوهای وب با استفاده از موتور جستجوی ناچ و الحاقات که آرشیوهای وب را جستجو می کند. کتابخانه ملی فرانسه جهت ساخت یک برنامه کاربردی بر اساس این ابزارها آن ها را در ابزارها و فرایندهای توسعه اش یکپارچه و سفارشی کرده و به کارآمدی های کوچک تر گسترش داده است (به عنوان مثال، اجرای طرحی برای سؤالات مداوم يو.آر.ال.).

• در مورد خود نوشتن در وب خاطرات شخصی و ادبی: در نظر دارد نتایج انتقال از کاغذ را به وب و روشی که بلاگ ها نوشته های شخصی ادبی و انتقادی را تغییر داده اند، بررسی کند؛

• عمل گرایی وب (1): نشان می دهد چطور پس از سال ها وب توسط عمل گراها به عنوان ابزار انتشار و ،ارتباط ابزاری که قبول مسئولیت را تشویق می کند و مکانی برای ،بحث مشارکت سازماندهی و عمل استفاده شده است.

عکس

تصویر 3. مجموعه ویژه «کلیک کن و رأی بده: وب انتخاباتی»

زمانی که این مقاله نوشته می شود سه مجموعه ویژه تر در دست تهیه است توسعه پایدار فیلم های غیر حرفه ای، و سفرنامه نویسی.

به عنوان یک خدمت مکّمل، کاربران اجازه دارند صفحات وب را چاپ و کپی کنند و نمونه های متن را در یک فایل نوت پد (2) درج کنند محتوای نوت پد را چاپ کنند یا آن را از طریق ایمیل بفرستند. به علت محدودیت های حقوقی در حال حاضر تسهیلاتی وجود ندارد که کاربران را قادر سازد از صفحه عکس بگیرند یا عناصر وب را از آرشیوها بردارند.

طرح های توسعه آتی نمایه سازی تمام متن و جستجو به علاوه دسترسی ناپیوسته وب گاه از کتابخانه های منطقه ای را همراه با تسهیم مأموریت و اسپاری حقوقی با کتابخانه ملی فرانسه در اطراف کشور در بر می گیرد.

ص: 295

دو نتیجه ای که توجه به کتابخانه ملی فرانسه را جلب می کند عبارت اند از:

• تعداد كل جلسه ها بین سال 2008 و 2009 سه بار افزایش یافته است (بعداً خواهیم دید که آموزش اصلی و ابتکار عمل های اطلاعاتی برای خوانندگان و کتابداران مرجع توسعه یافته است)؛

• تعداد فزاینده ای از کاربران نهایی وجود دارند که آرشیوها را برای پژوهش عمیق استفاده می کنند. میانگین جلسه در فوریه ،2009، 13 دقیقه طول کشید و در دسامبر 2009 تا 30 دقیقه افزایش یافت بین فوریه و سپتامبر 2009 بیش از دو جلسه وجود نداشت که بیش از یک ساعت یا بیشتر طول بکشد. سپس، تعداد هر جلسه در اکتبر 2009 به 7 جلسه در نوامبر به 32 جلسه، در دسامبر به 22 ،جلسه و در ژانویه 2010 به 23 جلسه افزایش یافت این جلسه ها نشان می دهد که اجرای پژوهش وسیع روی آرشیوهای وب آغاز می شود با نگاهی به فهرست بیش ترین صفحات مشاهده شده به نظر می رسد این طرح ها بیش از همه توسط پژوهشگران علوم اجتماعی و علوم سیاسی اجرا می شود.

تحلیل کیفی

در تکمیل تحلیل آماری و فهرستی جامع از یو.آر.ال.ها و کلید واژه های جست وجو شده، کتابخانه ملی فرانسه یک لاگ داخلی و مشترک مورد استفاده کتابدارانی ایجاد کرد که کاربران را به مناسبت های مختلف از جمله مصاحبه پذیرش میز ،مرجع درخواست ملاقات ،شخصی، نمایش به تهیه کنندگان وب گاه ها و غیره ملاقات می کنند از آوریل 2008 کتابداران 34 کاربر نهایی را با وارد کردن اطلاعاتی همچون تاریخ/ساعت گروه و نام کتابدار شکل در خواست (در محل ،تلفنی، ایمیل، ...) ، نام نوع ،کارت موضوع پژوهش، یادداشت ها /سؤال ها نظرات/ اظهارات، ثبت نام کردند (تصویر 4).

عکس

ص: 297

عکس

تصویر 4. لاگ کاربران نهایی آرشیوهای وب

این ابزار ساده کتابخانه ملی فرانسه را قادر ساخت مجموعه هایی را که مورد درخواست هستند شناسایی کند؛ این مجموعه ها در حال حاضر در حوزه علوم اجتماعی و علوم سیاسی هستند. روزی که کتابخانه ملی فرانسه خدمت را عرضه کرد یک دانشجوی کارشناسی ارشد که در مورد «اینترنت و انتخابات ریاست جمهوری 2007» کار می کرد درخواست دسترسی .کرد یک دانشجوی دکترای زبان شناسی که در مورد تحلیل سخنرانی های کاندیداهای زن کار می کرد از ،روم ایتالیا آمده بود تا در مورد بلاگ رهبر کمونیست ماری - ژرژ بوفه (1) که بعد از انتخابات ریاست جمهوری بسته شده بود، کار کند. فعالیت وب نیکلا سارکوزی، حزب سوسیالیست انتخابات اروپایی 2009 استفاده از ویدئوها در فعالیت انتخاباتی، کارتون ها و کاریکاتورهای ،سیاسی نمونه هایی از پژوهش در این حوزه ها هستند.

پژوهش های دیگر شامل موضوعاتی بوده است همچون جستجوی اطلاعات در اتحادیه اروپا آرشیوهای وزارت بوم شناسی و موجودیت های نامتمرکزش وب سایت های نویسندگان غیر حرفه ای وب سایت های مدیریت استرس وب سایت های شخصی و سؤالاتی درباره این که چرا و چگونه

ص: 298

وب سایت ها جمع آوری می شوند و قوانین رقابتی تا در یک مورد حقوقی کمک کند.

نظر سنجی ها

نخستین نظر سنجی از اکتبر 2006 تا ژوئن 2007 در محتوای یک دوره درسی در مقطع کارشناسی ارشد به نام «اینترنت در طول فعالیت» انجام شد و توسط کتابخانه ملی فرانسه و یک پژوهشگر دانشگاه در رسانه اجتماعی به طور هماهنگ سازماندهی شد. 17 جلسه مشاهده و 5 مصاحبه انجام شد تا نیازهای کاربران به ابزارها و کارآمدی ها و نگرش شان به یک نوع رسانه جدید شناسایی شوند (برای آزمون نهایی آن ها، دانشجویان مجبور شدند مقاله ای بنویسند در موضوعی که مربوط به منبع وب در حال فعالیت و محتوای آرشیو شده اش بود).

دومین نظر سنجی برای نوامبر 2010 برنامه ریزی می شود این نظر سنجی کاربران فعلی و بالقوه را در نظر دارد و قصد دارد نیازهای شان را به محتوای مجموعه تعریف و ابزار توسعه کاربرد را شناسایی کند (جدول 3).

عکس

جدول 3. چارچوبی برای نظر سنجی بعدی کاربرد آرشیو وب در نوامبر 2010

مشارکت: راهبردهایی برای تأسیس یک انجمن کتابداران و رسیدن به کاربران نهایی

معرفی آرشیوهای وب در کتابخانه به معنی ساخت یک مفهوم کلی از مالکیت این نوع جدید مجموعه توسط هر دو کارکنان و کاربران نهایی است.

مجموعه ها به شیوه های مختلفی باعث سرخوردگی می شوند (ذخیره های وب ناقص هستند و برخی وب گاه ها در آرشیوها همزمان ظاهر نمی شوند). مانند سرخوردگی عملکرد جستجو: برای کارکنان، به ویژه، فقدان یک فهرست و این حقیقت که کتابداران هر کار نظام مند توصیفی را در مورد وب گاه ها انجام

ص: 299

نمی دهند برای آنان سخت کرده است که آرشیوهای وب را به عنوان مجموعه های میراث با ارزش مورد توجه قرار دهند (چقدر احتمال دارد یک کتابدار بتواند در مورد یک مجموعه ساخته شده توسط نرم افزار خزش گر و نه توسط خودش احساس مثبتی داشته باشد؟)

بنابراین چالش این است که کیفیت های متمایز آرشیوهای وب - به خصوص این حقیقت که آن ها تنها گواه واحد باقیمانده از تغییرات اساسی جامعه ما هستند که در 15 سال گذشته تجربه شده اند و گذارشان از آنالوگ به دیجیتال -را مشخص کرد، اما همچنین مشخص کردن الگوهای این مجموعه که در واقع آن را کمی شبیه به مجموعه های منظمی می کند که کتابداران یاد گرفته اند در دست بگیرند: مربوط می شود به شعار "دیجیتال متفاوت نیست" - و واژه را منتشر می کند.

گفته می شود که تجارت معمول آرشیو وب ساختن ابزار اولیه استفاده از ارتباط استاندارد، سازماندهی و راهبردهای بازاریابی است.

توسط کتابداران و مدیران بود. در سال 2005 این شبکه به عنوان گروهی متشکل از 20 پیشاهنگ شروع به کار کرد. تا سال 2010 حدود 80 کتابدار به گونه ای درگیر جمع آوری گزینشی بودند، به عنوان مثال، گزینش وبگاه کنترل کیفی و ارتقاء منابع و خدمات برای عموم نخست برای مدیران بخش مجموعه آگاهی ایجاد شد. در نتیجه، بیش تر بخش های موضوعی کتابداران موضوعی را برای طرح آرشیو کردن وب اختصاص دادند اکنون در هر حوزه اصلی (هنر ادبیات فلسفه علوم و غیره) از جمله موضوعاتی که مجموعه های نادر را در بر می گیرد (مانند نقشه ها یا موسیقی) یک کارگزار واسپاری حقوقی وب (1) وجود دارد، فردی که از آموزش خاص بهره مند بوده و دانش اساسی آرشیو کردن وب را کسب کرده است طوری که بتواند در حوزه تخصصی از آن استفاده کند برخی کتابداران موضوعی کتابخانه ملی فرانسه اکنون کتاب ها و وب گاه ها را به دست می آورند از سال 2008 به بعد تعداد کارکنان این شبکه کارگزاران مرحله واسپاری حقوقی وب که به خصوص به عنوان کتابداران مرجع در نظر گرفته شده بودند، افزایش یافته است. این جا هدف توسعه دانش و علاقه به آرشیوهای وب بود در هر کس که با عامه مردم خواه در اتاق های مطالعه یا به صورت آنلاین در ارتباط است.