Když hovoříme o repozitářích pro ukládání datasetů produkovaných ve vědeckých výzkumech, obvykle narazíme na několik známých jmen: Zenodo, Open Science Framework nebo Figshare. Jsou důležité, robustní a v prostředí open science především téměř nevyhnutelné. Jenže (nejen) pro výzkum v humanitních vědách jsou spíše jeho začátkem než cílem.
V kontextu digital humanities totiž nechápeme data čistě jako technické objekty uložené v databázi, ale jako nosiče interpretace, kontextu a kulturní paměti. Datasety nesou informace rukopisů, textových fragmentů, anotací, map nebo jazykových vrstev, a právě to je důvodem, proč se kolem humanitních věd vytvořil zvláštní ekosystém repozitářů, archivů a infrastrukturních platforem, které fungují jinak, s oborově specifickými rozdíly, než je tomu zvykem třeba u repozitářů přírodovědných.
Obecné repozitáře typu Zenodo mají jednu zásadní výhodu, kterou je stabilita. Přidělují DOI, dlouhodobě archivují a mají relativně jasná pravidla citování. Jsou tak ideální pro datasety, články, software nebo doprovodné materiály. Zkrátka vše, co může výzkum vyprodukovat.
Jenže humanitní data bývají komplikovanější. Co například znamená dataset u kritické edice středověkého textu? Jde o přepisy? XML soubory v TEI? Variantní čtení? Obrazová data nebo metadatové vrstvy a komentáře editorů? A co když je interpretace součástí samotných dat?
Právě zde už pro svou univerzalitu přestávají stačit obecné repozitáře a začínají být důležité infrastruktury jako CLARIN nebo DARIAH.
Infrastruktura CLARIN je příkladem toho, jak může repozitář současně fungovat jako výzkumné prostředí. Nejde jen o ukládání jazykových dat, ale o celý ekosystém korpusů, lexikálních databází, nástrojů pro zpracování přirozeného jazyka (NLP), standardů interoperability, autentizační infrastruktury i metodologického know-how.
Humanitní data zde pak nejsou neutrálním objektem, ale výsledkem anotací a interpretací. Každý tag v korpusu vychází z jazykové teorie a metadata jsou tak samostatnou epistemologickou vrstvou namísto „technického doplňku“.
To, že se metadata stávají samostatnou vrstvou pro interpretaci světa, je dobře vidět na komunitě kolem Text Encoding Initiative. TEI vlastně není repozitářem v klasickém slova smyslu, ale standardem pro reprezentaci textů. I přesto kolem něj vznikl celý archivní a publikační ekosystém. Zakódovat text v TEI znamená rozhodnout, co je odstavec, oprava, autorský zásah, nejisté čtení nebo kde končí a začíná komentář. To vypovídá o tom, že humanitní data většinou nejsou „surová“. Jsou kurátorsky tvořená. Jak bylo již nastíněno, právě to je možná jedním z největších rozdílů oproti pojetí dat v některých přírodovědných a technických disciplínách.
Návodů na začátky s TEI existuje mnoho, pokud se ale chcete dozvědět více, doporučujeme navštívit například Introduction to Encoding Texts in TEI (Part 1) nebo A beginner’s guide to XML and TEI.
Po boku výzkumných repozitářů existuje ještě svět digitálních knihoven a kulturních archivů. Mezi příklady patří platforma Europeana propojující miliony digitalizovaných objektů z evropských institucí. Francouzská digitální knihovna Gallica ukazuje, jak může státní knihovna dlouhodobě budovat digitální infrastrukturu. Specifickou oblast pak představují webové archivy, například český Webarchiv zaměřený na uchovávání domácího internetového prostoru a digitálně vznikající kultury.
Právě díky tomu, že jsou podobné infrastruktury vlastně modely kulturní paměti, stojíme pak před otázkami typu „Co se digitalizuje a co zůstane nedigitalizované?“ „Jaká metadata použijeme a s jakými standardy?“ „Jaké jazyky a regiony jsou reprezentovány?“ nebo „Co se stane s materiály po skončení financování?“.
Digital humanities tak mnohdy stojí na těchto neviditelných rozhodnutích.
Možná největší kouzlo pak leží v malých oborových projektech vznikajících z konkrétní badatelské potřeby. Takové repozitáře nebo digitální archivy mnohdy experimentují s různými možnostmi modelování datových vazeb.
ORBIS například nepracuje s mapou v tradičním smyslu, ale s dynamickým modelem mobility v římském světě, kde je prostor chápán jako síť časových a logistických nákladů. Mapping Gothic France převádí architekturu do prostorové analytiky a zprostředkovává nám chápání gotických staveb jako soubory vztahů mezi místy, styly a historickým kontextem. V jiném režimu funguje třeba TalkBank ukládající mluvený jazyk jako interakční událost v čase, nikoli jen jako textový záznam. Dále například databáze Nomisma, která je katalogem mincí, ale zároveň se snaží utvářet model ekonomických, politických a symbolických vztahů ve starověku.
Tyto a mnoho dalších projektů v kontextu digitálních humanitních věd ukazují, že repozitáře mohou být vskutku experimentálním prostředím, v němž se testují způsoby, jak převádět kulturní realitu do strukturované a strojově čitelné podoby, a zároveň i to, co vlastně považujeme za poznatelný objekt.
Nesmíme ale opomínat ani temnější stranu mince. Mnoho těchto projektů vzniká grantově, to je například tři roky financování, tým doktorandů, webová aplikace, databáze, publikace a potom? Ticho. Doména expiruje, API přestane fungovat, dokumentace zmizí a dataset zůstane bez údržby. Dochází tak k produkci nových digitálních ruin. Právě proto dnes stále narůstají na důležitosti dlouhodobé infrastruktury jako CLARIN, DARIAH nebo národní repozitářové sítě. Vedle uložení dat jde tedy i o kulturní kontinuitu.
Jak jsme v článku nastínili, repozitáře totiž mimo jiné uchovávají i způsoby, jak minulost interpretovat, propojovat a znovu číst, a možná právě v tom spočívá jejich největší význam. Stávají se mapami toho, jak současná kultura uvažuje nad vlastním dědictvím a jakým způsobem s ním nakládá.
Jak může veřejnost přispět k vědeckému výzkumu? Článek představuje roli crowdsourcingu v procesech digitalizace a ukazuje, jak dobrovolníci pomáhají zpracovávat historické dokumenty i další kulturní data.
Jak mohou digitální edice vyprávět příběh? Článek se zaměřuje na to, jak interaktivita a digitální storytelling proměňují práci s textovými prameny v prostředí digitálních humanitních věd. Ukazuje, že digitální edice jsou novou formou publikace s prostorem pro interpretaci, strukturování poznání a sdílení výsledků výzkumu s odbornou i studentskou veřejností.
