Wegwijzers voor datasetgebruik

Door Anne van den Dool

Datasets van instellingen voor cultureel erfgoed worden met grote regelmaat door onderzoekers onder de loep genomen. Maar hoe weet je dat in die datasets de juiste informatie te vinden is? KB’s Steven Claeyssens ontwikkelde samen met Europeana-collega’s een uniform model om informatie over deze sets vast te leggen, waardoor de data makkelijker te vinden en opnieuw te gebruiken zijn. Het leverde hem de initiatiefprijs op bij de afgelopen Victorines.

Aan de muur van het kantoor van filoloog en boekhistoricus Steven Claeyssens hangt een ingelijst portret van de Leidse historicus en bibliothecaris Pieter Anton Tiele (1834-1889). Wie door de oogharen kijkt, ziet gelijkenissen tussen beide heren: het enigszins krullende haar, het brilmontuur met ronde glazen. Dat is geen toeval. Claeyssens is naast zijn werk bij de KB lid van de Wetenschappelijke Adviesraad en penningmeester-secretaris van de Tiele-Stichting.

Ook inhoudelijk hebben de twee het een en ander met elkaar gemeen: niet alleen de liefde voor het boek, maar ook de behoefte aan ordening. Tieles eerste baan was bij de Stads- en Atheneumbibliotheek van Amsterdam, waar hij de catalogus samenstelde. Later werd hij in 1866 conservator Gedrukte Werken bij de Universiteitsbibliotheek Leiden, waar hij zich eveneens ontfermde over een nieuwe bibliotheekcatalogus. Hetzelfde deed hij als bibliothecaris bij de Universiteitsbibliotheek Utrecht.

Snel teksten doorploegen

Claeyssens bewandelde een soortgelijk pad. Bij de KB ontfermt hij zich als conservator over de digitale collecties van de organisatie. Dat doet hij niet zozeer voor ieder los boek, maar eerder voor ‘de bulk’, zoals hij het zelf noemt. ‘Ik kom bijvoorbeeld in actie wanneer onderzoekers gebruik willen maken van alle gedigitaliseerde kranten die we hebben – verreweg onze populairste digitale collectie. We hebben drieënhalve eeuw aan materiaal tot onze beschikking en bieden daarmee een inkijkje in de gebeurtenissen in Nederland, van dag tot dag. Dat materiaal is voor allerlei vakgebieden interessant: hoe zag de berichtgeving over een bepaald onderwerp er in een specifieke tijd uit?’

Om zulk onderzoek zo makkelijk mogelijk te maken is het prettig als je die grote hoeveelheden tekst en beeld gemakkelijk kunt doorzoeken. ‘In bibliotheekland zijn we gewend om op objectniveau te werken, maar de laatste jaren komt daar een hogere laag bij’, signaleert Claeyssens. ‘Computerwetenschappers bouwen bijvoorbeeld een taalmodel waarmee ze zoveel mogelijk teksten in een zo kort mogelijke tijd kunnen doorploegen. Om dat goed te kunnen doen heb je gestructureerde documentatie nodig.’

Die structuur valt bijvoorbeeld te vinden in gedetailleerde beschrijvingen van wat in een bepaalde database of collectie te vinden is. Denk daarbij niet alleen aan titels, auteurs en uitgevers, maar ook aan informatie over de selectiecriteria en financiering. ‘Die informatie heeft tenslotte grote invloed op het eindresultaat’, benadrukt Claeyssens. ‘Wanneer je een model traint op basis van negentiende-eeuwse teksten, komt daar een ander wereldbeeld uit naar voren dan bij teksten van vandaag de dag.’

Behoefte aan eenduidigheid

De afgelopen jaren zijn al stappen in die richting gezet. Kijk bijvoorbeeld naar het Datasetregister van het Netwerk Digitaal Erfgoed, waarin de belangrijkste feitelijke gegevens over tientallen erfgoedcollecties zijn vastgelegd. Zo zijn hier op dit moment meer dan zevenhonderd datasetbeschrijvingen van ruim veertig verschillende erfgoedinstellingen te vinden – van overzichten van makers van kunstvoorwerpen tot foto’s van gebouwen en een thesaurus met erfgoedtermen. 

Tot dusver bestond er echter geen uniforme manier om deze datasets zodanig te beschrijven dat ze een handreiking bieden voor verantwoord computationeel gebruik. Dat is ook niet zo vreemd: ze werden met een ander doel verzameld. Een provinciaal museum met een collectie zeventiende-eeuwse prenten beschikte enkele tientallen jaren geleden waarschijnlijk enkel nog over een kaartenbak, die op een gegeven moment mogelijk werd uitgebreid met een papieren catalogus, en vervolgens werden alle gegevens overgezet naar een database en werden de prenten gedigitaliseerd. Bij al die stappen kan ruis ontstaan over de context waarbinnen die data zijn verzameld en of er inmiddels misschien wel verschillende versies zijn ontstaan. Allemaal gegevens die nodig zijn om een weloverwogen beslissing te kunnen nemen over de mogelijkheden tot hergebruik – door mens én machine.

Kritische geluiden

Samen met enkele collega’s uit het Europeana-netwerk, dat de sector voor cultureel erfgoed ondersteunt bij zijn digitale transformatie, kwam Claeyssens op het idee om een format voor dergelijke achtergrondinformatie te ontwikkelen. Daarbij waren experts op het gebied van erfgoed, onderzoek en technologie betrokken. ‘Ik raakte gemotiveerd om hiermee aan de slag te gaan naar aanleiding van de kritische geluiden die de afgelopen jaren over steeds meer taalmodellen klonken. Als die zich op oudere teksten baseren, is het resultaat waarschijnlijk net zo onvriendelijk voor vrouwen, mensen van kleur en andere minderheden als die teksten zelf. Dat is sneller gebeurd dan je denkt.’

Daartoe ontwikkelde hij samen met gelijkgestemden zogeheten datasheets voor digitaal cultureel erfgoed, op basis van een bestaand datasheetsconcept uit de machinelearningwereld. Deze toelichtingen bij datasets maken duidelijk welke informatie in zo’n grote bulk informatie te vinden valt. ‘Met de toenemende inzet van kunstmatige intelligentie groeit ook de behoefte aan wegwijzers door al die enorme hoeveelheden teksten’, ziet Claeyssens. ‘Dat doen we niet alleen voor onderzoekers: ook mensen die weinig kennis hebben van de informatie die ze gebruiken, gaan met AI aan de slag. Het gebruik van datasheets maakt dat alleen maar makkelijker.’

Achteraf invullen

Ook voor de KB heeft deze werkwijze gevolgen. ‘Wij moeten zelf net zo goed aan de slag met deze overzichten’, weet Claeyssens. ‘Met name voor veelgebruikte collecties is zo’n datasheet belangrijk. In sommige gevallen moeten we die informatie nu achteraf invullen, en dat is soms gissen: we kunnen niet altijd achterhalen hoe een dataset precies is ontstaan en welke selectiecriteria zijn gehanteerd. Dat toont maar aan hoe belangrijk het is dit meteen bij het creëren van een dataset vast te leggen. Tegelijk laat het zien dat de geschiedenis van onze collecties nog nooit zo relevant of actueel is geweest.’

Is het niet vreemd dat daarover eerder niets is genoteerd? Claeyssens is mild ten opzichte van zijn voorgangers. ‘Jaren geleden hadden we enkel een vermoeden dat we ooit op deze manier met teksten zouden omgaan, maar hadden we nog geen idee hoe dat er precies zou gaan uitzien. Hetzelfde geldt voor onze situatie nu: wij kunnen evenmin in de toekomst kijken.’

Gelijksoortige initiatieven

Het idee dat het handig is informatie over datasets gestructureerd vast te leggen kwam ook bij anderen in het veld op. Zo ontwikkelden collega’s bij het Huygens Instituut min of meer tegelijkertijd het fenomeen van de data envelope: ook een raamwerk om metadata in kwijt te kunnen, eveneens bedoeld voor de sector voor cultureel erfgoed. ‘Er zitten kleine verschillen tussen onze ideeën, maar op hoofdlijnen is het hetzelfde verhaal’, geeft Claeyssens toe. ‘Blijkbaar hing het in de lucht dat we deze stap als branche moesten gaan zetten. Inmiddels ben ik ook meerdere buitenlandse initiatieven op het spoor. Onlangs hebben we zelfs de koppen bij elkaar gestoken om te kijken of we niet gezamenlijk verder konden gaan. Ik was daar erg voor, maar voor anderen bleek dat lastiger: iedereen is toch het meest fan van zijn eigen systeem. De hoop is dat we de komende jaren verder naar elkaar toe zullen groeien. Op dit moment zijn we bezig met een nauwgezette vergelijking, waarover we ook graag willen publiceren, zodat de buitenwereld weet welke structuur het meest geschikt is voor welk type informatie.’

Blijvend in ontwikkeling

De datasheet blijft in ontwikkeling: binnenkort publiceren Claeyssens en zijn collega’s al een tweede versie. ‘We realiseerden ons dat een datasheet zelf ook leesbaar zou moeten zijn door een machine. Datasheets moeten aan dezelfde eisen voldoen als de teksten zelf: de informatie moet makkelijk te lezen en terug te vinden zijn. Ook willen we dat onze tool zo gebruiksvriendelijk mogelijk is. We zijn daarom bezig met een uitgebreide uitleg over hoe je een datasheet het best kunt invullen en gaan een tool laten bouwen als hulpmiddel om datasheets te creëren.’

De ontwikkeling van de datasheet past binnen een bredere trend om niet alleen te denken op publicatieniveau, ziet Claeyssens, maar ook een stapje hoger en lager. ‘Software maakt het mogelijk steeds verder in en uit te zoomen. Wij ontfermen ons nu over het uitzoomen, andere collega’s opereren juist op woord- of zelfs letterniveau. Eerst had het onze prioriteit papieren pagina’s om te zetten naar digitale bestanden, toen vonden we het belangrijk ze makkelijk leesbaar te kunnen maken en vervolgens wilden we ze zo toegankelijk mogelijk maken voor het grote publiek. Nu zetten we een volgende stap door na te denken over wat machines met dit materiaal kunnen wat de mens niet kan.’

Wat het antwoord op die vraag precies is? Dat durft ook Claeyssens niet te zeggen. ‘De tijd zal het leren. We doen alles met de kennis van nu en houden er al rekening mee dat de datasheets van dit moment in de toekomst niet meer optimaal zullen zijn. Ons werk is nooit af.’


Over de Victorines

Jaarlijks onderscheidt het Victorine van Schaick Fonds publicaties, initiatieven en scripties in het bibliotheek- en informatiedomein. Bij de Victorines 2024, eind vorig jaar uitgereikt, ging de publicatieprijs (Victorine van Schaick Penning) naar Andrea van Leerdam en haar onderzoekspublicatie Woodcuts as Reading Guides. How Images Shaped Knowledge Transmission in Medical-Astrological Books in Dutch (1500-1550). Een interview met haar vind je in IP #3-2025.

In IP #1-2024 kon je lezen over Thomas Tan die de scriptieprijs in de wacht sleepte voor zijn onderzoek Designing a digital educational library in a West-African context, with a special focus on Ghana. En over de eervolle vermelding van Robert Nat, die als dataspecialist bij de provincie Groningen een bijdrage leverde aan de Shell Papers.

De initiatiefprijs was voor Steven Claeyssens en de Europeana-werkgroep Datasheets for digital cultural heritage (pro.europeana.eu/project/datasheets-for-digital-cultural-heritage-working-group).


Anne van den Dool is tekstschrijver, auteur en cultureel journalist.

Deze bijdrage komt uit de papieren IP #4-2025. Het hele nummer kun je hieronder lezen of downloaden.