Wer wissenschaftlich forscht, Wissensdatenbanken aufbaut oder Produkte für die Literatursuche entwickelt, ist meist auf dasselbe Problem gestoßen: Aufsätze sind nicht schwer zu finden, schwierig ist es, sie wirklich gut zu organisieren.
Heute wird eine Charge von einer Zeitschriftenwebsite gespeichert, morgen eine Charge von einer DOI-Plattform exportiert, und einige Tage später fügen Teammitglieder weitere Excel-Dateien hinzu. Wenn die Daten tatsächlich gebraucht werden, unterscheiden sich die Titelformate, derselbe Aufsatz erscheint mehrfach, Veröffentlichungsdaten stimmen nicht überein, und Rücknahmen sowie Korrekturen sind mit gewöhnlichen Aufsätzen vermischt. Je mehr Material sich ansammelt, desto schwieriger wird die Recherche.
Wenn für ein Projekt nur vorübergehend einige Aufsätze gesucht werden, kann die manuelle Organisation noch ausreichen. Doch für thematische Forschung, wissenschaftliche Wissensdatenbanken, Literaturrecherche-Systeme oder die Analyse von Aufsatzdaten kommt man mit Kopieren und Einfügen kaum weit.
Genau das ist der Ausgangspunkt für unsere Aufbereitung des Nature-Zeitschriftenaufsatzdatensatzes: Zunächst werden verstreute bibliografische Informationen in Daten umgewandelt, die klar strukturiert, durchsuchbar und verknüpfbar sind und sich zudem für die weitere Verarbeitung eignen.
¶ Welche Probleme löst dieser Datensatz hauptsächlich?
Einfach gesagt hilft er nicht dabei, „noch einmal nach Aufsätzen zu suchen“, sondern dabei, das Literaturverzeichnis zu einem Forschungsthema stärker wie einen direkt nutzbaren Datensatz zu organisieren.
Häufige Probleme sind:
- Derselbe Aufsatz stammt aus unterschiedlichen Quellen und muss anhand von Informationen wie DOI dedupliziert werden;
- die Schreibweisen von Titeln, Zeitschriftennamen und Veröffentlichungsdaten sind nicht einheitlich;
- Aufsätze, Korrekturen, Rücknahmen und ergänzende Inhalte sind vermischt und lassen sich nicht bequem filtern;
- Teams möchten ihre eigene Literaturdatenbank nach Fachgebiet, Zeitschrift, Thema oder Jahr aufbauen;
- später sollen Suchmaschinen, Datenbanken, Wissensgraphen oder RAG-Systeme angebunden werden, aber die Rohmaterialien sind zu verstreut.
Der Nature-Zeitschriftenaufsatzdatensatz bietet Dienstleistungen zur Zusammenstellung thematischer wissenschaftlicher Literatur und Bibliografien. Sie können den konkreten Umfang nach Forschungsgebiet, Zeitschriftenbereich, Veröffentlichungsjahr, Literaturkennzeichnung, benötigten Feldern und Dateiformat abstimmen. Mit anderen Worten: Sie müssen keine „große und vollständige, aber nicht unbedingt passende“ Datei übernehmen, sondern klären zunächst, welche Inhalte das Projekt wirklich benötigt, und bestätigen dann Version und Bereitstellungsplan.
¶ Was enthält das öffentliche Referenzpaket?
Damit alle zunächst beurteilen können, ob die Datenstruktur geeignet ist, haben wir ein öffentliches Referenzpaket vorbereitet.
Das Referenzpaket enthält derzeit 5 nachvollziehbare bibliografische Datensätze der Nature-Hauptzeitschrift und bietet:
- JSONL-Datei mit Datensätzen
- CSV-Datei mit Datensätzen
- öffentliches Vorschau-Feldwörterbuch
- Referenz für Bereitstellungsfelder
- Beschreibung der Datenquellen
Die öffentliche Vorschau führt insgesamt 7 Felder auf:
| Feld | Wofür es verwendet wird |
|---|---|
doi |
Identifizierung und Verknüpfung von Aufsätzen |
title |
Aufsatztitel |
journal |
Zugehörige Zeitschrift |
published_date |
Veröffentlichungsdatum |
document_type |
Unterscheidung von Dokumenttypen |
source_url |
Rückkehr zum DOI oder ursprünglichen Datensatz |
reference_origin |
Erläuterung, woher der Datensatz stammt |
Diese Felder wirken nicht kompliziert, unterstützen jedoch bereits zahlreiche grundlegende Aufgaben, etwa bibliografische Recherche, Deduplizierung von Datensätzen, Quellenverfolgung sowie die weitere Verarbeitung nach dem Import in eine Datenbank.
¶ Für welche Szenarien eignet es sich?
¶ 1. Aufbau einer thematischen Literaturdatenbank
Wenn ein Team beispielsweise eine Richtung in den Lebenswissenschaften, der Medizin oder der Materialwissenschaft verfolgt, kann es zunächst den Umfang nach Thema, Zeitschrift und Jahr eingrenzen und dann ein einheitliches Literaturverzeichnis aufbauen. Ob für spätere Recherche, Statistiken oder fortlaufende Aktualisierungen: Es wird einfacher zu pflegen sein als Tabellen, die an verschiedenen Orten verstreut sind.
¶ 2. Zusammenführen von Bibliografien aus unterschiedlichen Quellen
Derselbe Aufsatz kann gleichzeitig auf DOI-Plattformen, Zeitschriftenwebsites, institutionellen Wissensdatenbanken und in den eigenen Materialdatenbanken eines Teams erscheinen. Mithilfe von DOI, Titel, Zeitschrift und Veröffentlichungszeit lassen sich verlässlichere Regeln zur Deduplizierung festlegen, um mehrere Quellen mit demselben Literaturdatensatz zu verknüpfen.
¶ 3. Vorbereitende Organisation für wissenschaftliche Wissensdatenbanken oder RAG
Bei vielen Projekten für Frage-Antwort-Systeme zu Aufsätzen und wissenschaftliche Suche besteht zu Beginn die Eile, PDFs zu analysieren. In der praktischen Umsetzung zeigt sich jedoch, dass die vorherige Auswahl des Umfangs und die Datenverwaltung oft tatsächlich den größten Zeitaufwand verursachen.
Ein verlässlicherer Ansatz ist: Zunächst mithilfe bibliografischer Daten bestätigen, „welche Aufsätze es gibt, woher sie stammen und welchem Typ sie angehören“, und dann je nach Projektlizenz und tatsächlichem Verwendungszweck entscheiden, ob Abstracts, Volltexte, PDFs oder ergänzende Materialien verarbeitet werden sollen.
¶ Zwei Punkte müssen unbedingt im Voraus klargestellt werden
Erstens ist das öffentliche Referenzpaket keine Stichprobe einer formellen Bereitstellungschargen.
Diese 5 Datensätze dienen hauptsächlich dazu, Thema, Felder und die Organisation der Dateien anzusehen. Sie können nicht verwendet werden, um daraus abzuleiten, wie viele Daten eine vollständige Charge enthält, wie die Abdeckung ausfällt oder welches Qualitätsniveau erreicht wird. Die auf der Produktseite erwähnten „Millionenebene“ und „TB-Ebene (noch zu bestätigen)“ sind Katalogregistrierungsschätzungen; wie viel tatsächlich bereitgestellt werden kann, muss anhand von Zeitschriften, Jahren, Feldern und Inhaltsumfang erneut bestätigt werden.
Zweitens bedeutet das Vorhandensein bibliografischer Informationen nicht, dass automatisch Nutzungsrechte am Volltext bestehen.
Das öffentliche Paket enthält nur nachvollziehbare bibliografische Fakten und keine Abstracts, Volltexte, PDFs oder ergänzenden Materialien der Aufsätze. Wenn das Projekt Volltextverarbeitung, Modelltraining, kommerzielle Nutzung oder Weiterverbreitung umfasst, müssen die Lizenzen anhand der konkreten Literatur und der Bereitstellungsversion bestätigt werden. Dieser Schritt darf nicht ausgelassen werden und sollte auch nicht vage behandelt werden.
Darüber hinaus bezieht sich der derzeitige öffentliche Referenzumfang auf die Nature-Hauptzeitschrift und nicht auf das gesamte Nature Portfolio. Wenn verwandte Unterzeitschriften abgedeckt werden sollen, führen Sie die Zeitschriften oder den Themenbereich bitte direkt in den Anforderungen auf.
¶ Wie lässt sich ein passender Datensatz bestätigen?
Es wird empfohlen, nach den folgenden Schritten vorzugehen; die Abstimmung wird dadurch deutlich schneller:
- Zuerst öffentliche Beispiele ansehen: JSONL, CSV, Felddatenwörterbücher und Quellenangaben prüfen;
- Umfang festlegen: Forschungsthema, Zielzeitschriften und Start- sowie Endjahr erläutern;
- Felder auflisten: Bestätigen, ob Autoren, DOI, Veröffentlichungsinformationen, Zusammenfassungen oder Dateien benötigt werden;
- Verwendungszweck erläutern: Ob für interne Suche, Analyse, Modellbewertung, kommerzielle Projekte oder Weiterverbreitung;
- Abnahmekriterien bestätigen: Einschließlich DOI-Gültigkeitsrate, Duplikatrate, Rate fehlender Felder sowie der Umgang mit zurückgezogenen Artikeln und Korrekturen;
- Format und Lieferung festlegen: Preis und Zeitraum je nach Datenmenge, Bereinigungsanforderungen und Lizenzumfang verhandeln.
Letztlich gilt: Bei Forschungsdatenprojekten ist eine größere Datei nicht unbedingt besser. Erst wenn Umfang, Felder, Quellen und Rechteabgrenzungen klar erläutert sind, können die anschließende Recherche, Analyse und der Aufbau einer Wissensdatenbank reibungsloser erfolgen.
Wenn Sie eine wissenschaftliche Suche, eine thematische Literaturdatenbank, einen akademischen Wissensgraphen oder ein Frage-Antwort-System für wissenschaftliche Arbeiten aufbauen, können Sie zunächst das Referenzpaket herunterladen, um sich die Struktur anzusehen, und uns dann mit konkreten Anforderungen kontaktieren.