| Hvilke eksisterende data tænkes anvendt? | Digitale data (samlinger) der eksisterer før forskningsprojektet går i gang. Fx samlingens navn Hvad påtænkes disse data anvendt til ? (uddybende beskrivelse af forskningsspørgsmål og -mål) Hvem har ansvaret for disse data? Er der særlige juridiske forhold? (personfølsomme oplysninger, patenter, ophavsret...) Hvem kan få adgang til data? (betingelser) Hvor befinder disse data sig? Hvor store datamængder tænkes behandlet (fx antal Gb / Tb samt antal objekter/filer) Hvilke filformater indgår i samlingen? (TEI, JP2, MP3, …) Hvilke kendte værktøjer tænkes anvendt? (gerne link til værktøjet) Kræver data/værktøjer specifikt software/system? | RadioDer skal analyseres på arkiv-data fra DR Radio-data fra Statsbiblioteket Program-metadata fra DR Program-metadata fra Statsbiblioteket (Ritzau) PDF-filer med scannede program-oversigter (de hvide programmer) DR har fungeret som underleverandør og er ikke længere en del af LARM-projektet efter overflytningen til DigHumLab, derfor er det Statsbiblioteket der har ansvaret for data Alle data er beskyttet af ophavsret hvorfor der kun kan gives adgang til larm.fm for ansatte og studerende der er omfattet af Statsbibliotekets Mediestream-aftale med Copydan Både eksisterende og nye metadata befinder sig i CHAOS-platformen som hostes hos Amazon (via ChaosInsights). Denne platform har en SQL-database som backend men også et rigt API der kan kommunikeres med Der er så vidt vides 2-3 millioner objekter i CHAOS-databasen - det skal analyseres om alle disse skal bevares som et forskningsdatasæt eller det kun er det nye data forskerne har genereret der skal bevares. (tænke fremtidig brug i andre sammenhænge) Filerne består af (XML-metadata, MP3-lydfiler (som streames fra Statsbiblioteket og nok IKKE skal indgå i forskningsdata-sæt), PDF-filer)Netarkivet Der skal analyseres på 10 tværsnitshøstninger - 1 for hvert år. Da en tværsnitshøstning i sig selv fylder mere end 30Tbytes er der ikke råd til at lave komplette udtræk af data til langtidsbevaring som forskningsdatasæt og der skal derfor tænkes i baner af eksempelvis at lave et index over en tværsnitshøstning som så kan gemmes som et datasæt en fremtidig forsker kan genbruge for at lave nye analyser på samme datasæt eller for at kontrollere forskningen i dette projekt Original-data bor hos Netarkivet på SB og KB og det er Netarkivet der har det juridiske ansvar for data Data i Netarkivet er personfølsomme og der er derfor meget begrænset adgang. Man skal være forsker (phd. niveau og opefter for i udgangspunktet at kunne få adgang) Der skal behandles meget store mængder data (10 x 5-30Tbytes) - måske 200 Tbytes Original-data fra Netarkivet er lagret i ARC og WARC-filer hvilket betyder at der skal anvendes software der kan forstå disse formater. Der findes eksempelvis java-libraries til at læse/skrive/behandle både ARC og WARC (ex. jwat-tools) https://bitbucket.org/nclarkekb/jwat-tools/ |
| Hvilke nye data tænkes genereret som en del af projektet? | Hvad er forholdet mellem eksisterende data og de nye data ? ( Er det afledte data? Skal alle datasæt bevares?) Hvad påtænkes de nye data anvendt til ? (uddybende beskrivelse af forskningsspørgsmål og tilgangsvinkel) Hvilke filformater tænkes de nye data at blive lagret i ? Hvor store mængder nye data er der tale om ? (størrelse og antal objekter/filer) Har de nye data værdi efter projektets afslutning, således at de bør bevares? (i givet fald hvilken værdi og for hvem) Hvilke kendte værktøjer tænkes anvendt på de nye data? (gerne link til værktøjet) Overvejes udvikling af nye værktøjer? | |