Eesti rahvusbibliograafia (ERB) koondab infot eestikeelsete, Eestis ilmunud, eesti autorite loodud ja Eestit või eestlasi käsitlevate teoste kohta. Teave ERB-i koostamise kohta on kirjeldatud RaRa kodulehel.

ERB-i metaandmeid avaldatakse väljaande laadi (raamatud, ajalehed, helisalvestised jne) kaupa MARC21XML formaadis. MARC21 on raamatukogudes kasutatav failiformaat, mis on suunatud info kataloogimisele, kuid mis ei ole sobilik andmetöötlusele ja -analüüsile. RaRa digilabori avamisel lisandus võimalus ERB-i metaandmestikke alla laadida ka tabelkujul, mille puhul on kaasatud kõige sagedamini täidetud veerud ning tehtud esialgne andmete puhastus. ERB-i metaandmestikud on leitavad digilabori andmestike alamlehel.

Nüüdseks on valminud avatud lähtekoodiga töövoog, mis muudab algsed MARC21XML failid kureeritud tabelkujul andmestikeks. Andmestike kureeritus väljendub selles, et andmestikke on puhastatud ja kohandatud lähtudes kasutajate soovidest ja digihumanitaaria uurimismeetodite eripäradest. Hetkel on kureerimisel keskendutud raamatute ja isikute andmestikele. Rohkem infot kureeritud ERB-i loomisest saab lugeda peatselt avaldatavast teemale pühendatud teadusartiklist „Curated Bibliographic Data: the Case of Estonian National Bibliography“ ning töövoo lähtekoodi dokumentatsioonist. Töövoo tulemusena saadud andmestikud on TSV-failidena üles laetud Zenodo repositooriumisse.

Kureeritud ERB-i töövoo lähtekood GitHubis: https://github.com/RaRa-digiLab/enb-curator 

Raamatute kureeritud metaandmestik Zenodo repositooriumis:

Näited raamatute metaandmestikus sisalduvast infost: 

• Raamatu pealkiri ja alampealkirjad
• Teose loomisesse panustanud isikud
• Kirjastaja ja trükikoda või trükkal
• Ilmumisaasta ja -kümnend
• Ilmumiskoht ja selle koordinaadid
• Keeleinfo, sh tõlketeoste puhul raamatu originaalkeel
• Teema- ja žanrimärksõnad
• Geograafilisele piirkonnale, ajaperioodile, organisatsioonile või isikule viitavad märksõnad
• Raamatu mõõtmed ja lehekülgede arv
• Digiteerituse seis, sh olemasolul viide raamatu digiversiooni(de)le

Kuidas andmestikule viidata:

Kruusmaa, K., Tinits, P., & Nemvalts, L. (2024). Curated Estonian National Bibliography - books [Andmestik]. Eesti Rahvusraamatukogu. https://doi.org/10.5281/zenodo.14083327

Isikute kureeritud metaandmestik Zenodo repositooriumis:

Näited andmestikus sisalduvast infost: 

• Isiku nimi ja selle erinevad kirjapildid
• Sünniaasta, olemasolul surma-aasta
• Amet
• Sugu
• Geograafiline tegutsemispiirkond
• Lühibiograafia
• VIAF-i (Virtual International Authority File) identifikaator
• Wikidata identifikaator

Kruusmaa, K., Tinits, P., & Nemvalts, L. (2024). Curated Estonian National Bibliography - persons. [Andmestik]. Eesti Rahvusraamatukogu. https://doi.org/10.5281/zenodo.14094584

Kutsume andmestikke uurima ja analüüsima! Küsimusi või ettepanekuid saab esitada e-posti aadressil digilab@rara.ee. Samuti ootame andmestiku põhjal loodud andmelugusid digilabori blogisse. 

Kureeritud ERB-i tutvustav pisipilt on pärit Rahvusarhiivi fotokogust (RA, EAA.2111.1.14967).

Aastate jooksul on ligi 500 kasutajat panustanud DIGARi tekstide korrigeerimisse ja nende pingutuste tulemusel on parandatud üle 800 000 rea. See andmestik sisaldab valikut algtekstide ja paranduste paaridest.

Andmestik koos dokumentatsiooniga asub siin: https://zenodo.org/records/13325713

Kvaliteedihindamine

Kuna parandused on ühisloome tulemus, esineb neis vigu ja nad pole käsitletavad lõpliku tõena. Ligikaudse ülevaate saamiseks paranduste tekstikvaliteedist on nii originaal- kui ka parandatud tekstid läbinud GPT-4o mini, mis on neile määranud loetavuse skoori 1-st 5-ni. Selleks kasutati järgmist viipa:

The following is the OCR output from a digitized historical Estonian newspaper from {year}. Analyze the text placed after "TEXT" and decide if it is reasonably free of OCR errors. Return a rating on the scale of 1 to 5.

5 - The text is clear and readable. It may contain unusual spellings and use of punctuation throughout, but there are no distorted words.
4 - The text is readable, but contains some distortions of alphabetical characters. These distortions do not impede understanding the text at any given point.
3 - The text is readable with minor difficulties. Words and phrases may be noticeably distorted.
2 - The text is only readable with great difficulties. All or almost all sentences contain severe errors that make it very hard to understand.
1 - The text is unreadable. It contains mostly gibberish and random symbols, almost no words are recognizable.

If you are hesitating between 4 and 5, it is probably a 5. If you are hesitating between 2 and 3, it is probably a 2.

Note: the use of "w" instead of "v" and "=" instead of "-" are elements of historical orthography an do not count as errors.

Do not reply anything else than a number from 1 to 5, unless explicitly asked to do so.

TEXT:
{ocr_transcription}