Blýskání na lepší data z českých digitálních knihoven Libraries

ČASOPIS PRO MODERNÍ FILOLOGII 105, 2023, Č.2, S. 274–292 Blýskání na lepší data zčeských digitálních knihoven1 Boris Lehečka (Brno) THERE ARE BETTER DATA AHEAD FROM CZECH DIGITAL LIBRARIES In the humanities, analysis of primary and secondary literature is an important area of research work. Besides language corpora, digital libraries, which digitized approximately 98.7 million pages in the Czech Republic between 1992 and 2022, can be considered asuitable source of written texts in recent years. The article presents an example from abroad and gives abrief overview of data sources in the Czech environment. It focuses on the recently completed DL4DH project, which aims to offer researchers access to large volumes of data from the Kramerius digital library in standardized formats (plain text, ALTO, CSV/TSV, TEI, JSON) not only through anew web application but also through aREST API. To make the subsequent analysis of the publications as easy as possible, the downloaded data can include enrichment data from the UDPipe and NameTag tools developed and operated by the LINDAT/CLARIAH-CZ research infrastructure. KLÍČOVÁ SLOVA velká data, digitální knihovna, digitální humanitní vědy, výzkumná infrastruktura, autorský zákon KEYWORDS big data, digital library, digital humanities, research infrastructure, copyright law DOI https://doi.org/10.14712/23366591.2023.2.7 1. ÚVOD Poslední dobou se objevuje stále více pozoruhodných výstupů aplikovaného výzkumu, které vzbuzují oprávněný zájem ze strany laické iodborné veřejnosti. Namátkou můžeme zmínit např.systém DALL·E2 (2022),2 který na základě slovního popisu generuje realisticky vypadající výtvarná díla (obrazy); Charles Translator for Ukraine (2022)3 určený pro strojový překlad mezi češtinou aukrajinštinou vreakci na ruskou agresi na Ukrajině ana příliv ukrajinských běženců do Česka; systém ChatGPT (2022),4 který písemně komunikuje suživatelem: odpovědi na kladené otázky 1 Tato studie vznikla vrámci Dlouhodobé koncepce pro rozvoj výzkumné organizace— Moravská zemská knihovna vBrně. 2 Viz též <https://openai.com/dall-e-2/>. 3 Viz též <https://www.mff.cuni.cz/cs/verejnost/aktuality/vedci-z-matfyzu-vyvinuli-automaticky-prekladac-mezi-cestinou-a-ukrajinstinou>. 4 Viz též <https://openai.com/blog/chatgpt/>. BORIS LEHEČKA 275 vypadají věcně správně, názorně, edukativně, přičemž berou vpotaz fakta zpředchozí konverzace. Takový posun voblasti strojového učení aumělé inteligence by nebyl možný bez nových technologií, nových výpočetních metod azejména bez velkých objemů dat, která jsou pro trénování těchto technologií nezbytná.5 Podívejme se, jaké možnosti nabízí badatelům vtuto chvíli české prostředí: sjakými daty můžou badatelé pracovat ana základě jakých autorským zákonem daných pravidel. Uvedený přehled dostupných zdrojů anástrojů představuje pouze výběr zmnoha možností azaměřuje se specificky na digitální knihovny; kompendium rovněž nemusí sloužit pouze pro budování systémů sumělou inteligencí, ale najde uplatnění při jakémkoli výzkumu voblasti humanitních asociálních věd.6 2. DATA Zhlediska podoby dat pro výzkum můžeme rozlišovat mezi daty surovými azpracovanými. Aby bylo možné údaje využít pro konkrétní badatelský záměr, musí se vdrtivé většině případů nějakým způsobem zpracovat. Způsob amíra zpracování záleží na výzkumné otázce, na niž má analýza odpovědět. Za surová data může považovat například obrázky atexty zčeských digitálních knihoven. Ke strukturovaným datům se badatelé dostanou ve specializovaných repozitářích. Například vúložišti výzkumné infrastruktury LINDAT/CLARIAH-CZ najdeme zejména jazykově zpracovaná data,7 výzkumná infrastruktura Český sociálněvědní datový archiv (ČSDA) naproti tomu shromažďuje data zčeských sociálněvědních šetření, výzkumů veřejného mínění amezinárodních šetření sčeskou účastí.8 Přístup kdatům dostupným na internetu bývá primárně navržen tak, aby knim uživatel přistupoval prostřednictvím uživatelského rozhraní, obvykle webové aplikace. Další způsob představují webové aplikace navržené tak, aby se kdatům mohlo přistupovat automatizovaně pomocí programových prostředků. Vdřívějších dobách ktomu sloužily různé protokoly atechnologie, např.SOAP,9 vposlední době je populární programové rozhraní vkombinaci sarchitekturou REST, tzv.REST API.10 5 Větší objemy dat mají vliv nejen na větší relevantnost odpovědi, kterou systém vrací, ale také na to, že systémy mohou adekvátně reagovat na širší repertoár vstupů, které od uživatelů přicházejí. Nejnovější technologie si dokážou poradit se stovkami miliard slov amiliony parametrů. 6 Autor děkuje oběma anonymním recenzentům za jejich cenné připomínky anáměty. 7 Viz <https://lindat.mff.cuni.cz/repository/> a<https://bit.ly/cmf-lindat-riv-2020>. 8 Viz <https://www.soc.cas.cz/oddeleni/cesky-socialnevedni-datovy-archiv> a<https://bit. ly/cmf-csda-riv-2020>. 9 Data spolu srelevantními metadaty se přenášejí ve formátu XML; ostandard se stará konsorcium W3C, viz jednotlivé součásti <https://www.w3.org/TR/soap12-part0/>, <https:// www.w3.org/TR/soap12-part1/> a<https://www.w3.org/TR/soap12-part2/>. 10 Kpřenosu aúpravě dat se využívají standardní součásti protokolu HTTP; data se přenášejí obvykle ve formátu XML nebo JSON; dokumentaci programového rozhraní astandardizaci vtomto případě zaručuje specifikace OpenAPI (<https://swagger.io/specification/>). 276 ČASOPIS PRO MODERNÍ FILOLOGII 105, 2023, Č.2 3. ZAHRANIČNÍ ZKUŠENOSTI Vzahraničí mají repozitáře zaměřené na poskytování velkých objemů dat své místo již dlouhou řadu let. Jedním znich je projekt HathiTrust (2008–2023), který sdružuje zhruba 150 zahraničních knihoven, zejména zanglojazyčných zemí. Průběžně digitalizované publikace se stávají součástí jedné digitální knihovny, pojmenované HathiTrust Digital Library. Vroce 2022 obsahovala přibližně 17,1 mil. publikací, ztoho 6,57 mil. položek tvořila volná díla11 a10,55 mil. podléhala ochraně majetkových práv podle aktuálně platných autorských zákonů.12 Díla lze prohledávat na základě bibliografických metadat nebo vrámci automaticky rozpoznaného textu. Uživatelé mohou vytvářet apřípadně sdílet sostatními uživateli vlastní kolekce dokumentů. Pokud nejsou díla chráněna autorským právem, lze je prohlížet po jednotlivých stranách ve formě digitálních obrázků nebo prostého nestrukturovaného textu, případně je stáhnout ve formátu PDF stextovou vrstvou, např.prostřednictvím Google Books (vtomto případě jsou však obrázky černobílé, nikoli plně barevné). Badatelé mohou pracovat skolekcemi vybraných dokumentů, ale kvůli autorským právům mají přístup pouze kagregovaným datům ztěchto děl (např.kfrekvenci slovních tvarů na jednotlivých stranách). Uživatelé zpartnerských institucí projektu mají vrámci HathiTrust Research Center kdispozici nástroje pro další analýzu13 zvolené sady publikací. Jedná se orozpoznání pojmenovaných entit,14 tzv.„extrahované prvky“,15 identifikace témat metodou InPhO,16 počty tokenů (včetně morfologické analýzy) aslovní mraky.17 Tato metadata obsahují sumarizované údaje pro jednotlivé strany, resp.kompletní publikace, čímž je zaručeno, že nedochází kporušování autorských práv. Některé druhy sumarizačních výstupů se pravidelně aktualizují ajsou kdispozici všem zájemcům, např.geografická jména vanglojazyčné literatuře zlet 1701–2011 (Wilkens, 2020). Badatelé mají dále kdispozici programové knihovny vjazyce Python pro práci svytvořenými kolekcemi metadat. Pracovníci zpartnerských institucí mohou žádat ovytvoření samostatného virtuálního počítače snezbytným softwarem apřístupem ke všem textovým zdrojům HathiTrustu, které mohou pro svůj výzkum kombinovat svlastními daty ametadaty, případně softwarem. 11 Viz <https://cs.wikipedia.org/wiki/Volné_dílo>. 12 Pouhá dvě promile ztohoto objemu (přibližně 40 tis. publikací) tvoří dokumenty včeštině. 13 Viz <https://analytics.hathitrust.org>, zdrojové kódy jsou dostupné na <https://github. com/htrc>. 14 Viz <https://analytics.hathitrust.org/algorithms/Named_Entity_Recognizer>. 15 Viz <https://wiki.htrc.illinois.edu/display/COM/HTRC+Derived+Datasets>. 16 Viz <https://inpho.github.io/topic-explorer/>. 17 Viz <https://analytics.hathitrust.org/algorithms/Token_Count_and_Tag_Cloud_Creator>. BORIS LEHEČKA 277 4. ČESKÉ PROSTŘEDÍ Včeském prostředí mají kprojektu HathiTrust velmi blízko digitální knihovny známé pod označením Kramerius.18 Než se této platformě, která je primárně určena pro digitalizované knihovní sbírky, monografie aperiodika, budeme věnovat podrobněji, zmíníme se odalších specializovaných zdrojích, které se dají využít pro badatelský výzkum zaměřený na české prostředí (jazykově iteritoriálně). 4.1 MANUSCRIPTORIUM Digitální knihovna Manuscriptorium (2023) umožňuje snadný přístup ksoustředěným informacím ohistorických fondech ze stovek paměťových institucí. Jedná se ocelosvětově největší digitální knihovnu zaměřenou na starší písemné dědictví, která obsahuje přes 154 tis. digitálních dokumentů různého typu (rukopisy, inkunábule, staré tisky, historické mapy aj.) avíce než 230 tis. katalogových záznamů. Vzhledem kpovaze digitalizovaných pramenů (převažují rukopisy astaré tisky) jsou kdispozici plné texty jen vomezené míře. Virtuální prostředí Manuscriptoria např.zajišťuje práci sdokumenty, jež jsou kompatibilní stechnologiemi IIIF,19 zlibovolného externího zdroje, ato díky integraci prohlížeče Mirador.20 Data každého digitalizátu jsou popsána dle schéma TEI P5 ENRICH,21 vrámci digitální knihovny má digitalizát přidělený identifikátor URI ajeho použití, popř. použití jeho metadat, podléhá různým druhům licence Creative Commons (CC). Aktuální prostředí umožňuje přihlášeným badatelům vytvářet vlastní kolekce dokumentů nebo jejich částí apřidávat kjednotlivým položkám poznámky. 4.2 MONASTERIUM Projekt Monasterium (2023) se věnuje digitalizovaným listinám, zajišťuje přístup kdigitálním dokumentům (přes 500 tis. listin) ze 176 evropských archivů,22 ztoho 11 českých. Pro metadata ojednotlivých listinách se používá specializovaný formát XML CEI.23 Badatelé mohou stahovat obrázky dokumentů ve formátu JPEG nebo PDF (ve vysokém rozlišení). Na stránkách projektu je také informace, že „[v]eškerá práva na zveřejňování arozšiřování reprodukcí listin vobrazové formě náleží jednotlivým vlastníkům archiválií“.24 Ne vždy je však zjednotlivých webových stránek sdigita18 Kramerius je původní označení opensourcové platformy, která slouží kpublikování digitálních publikací. 19 Viz <https://iiif.io>. 20 Viz <https://projectmirador.org>. 21 Viz <https://www.manuscriptorium.com/cs/tei-p5-enrich-schema-cs>. Jelikož však samotné dokumenty skořenovým elementem TEI neobsahují označení jmenného prostoru, neodpovídají dokumenty zManuscriptoria deklarovanému standardu. 22 Seznam institucí je dostupný zde: <https://www.monasterium.net/mom/fonds>. 23 Charters Encoding Initiative, viz <https://www.cei.lmu.de>. 24 Viz <https://www.monasterium.net/mom/terms-of-use>. 278 ČASOPIS PRO MODERNÍ FILOLOGII 105, 2023, Č.2 lizáty nebo zjejich zdrojových dat ve formátu CEI patrné, jaké licenční podmínky se musí při nakládání spramenem dodržovat, takže je jistější kontaktovat instituci, která danou listinu spravuje. 4.3 CZECH MEDIEVAL SOURCES ONLINE Webová aplikace Czech medieval sources FONTES (2023) obsahuje skeny sekundárních zdrojů (edic) pro studium dějin českého středověku (ke konci roku 2022 se jednalo o900 svazků ocelkovém objemu téměř 261 tis. stran). Většinou jde ovolná díla, unichž již uplynulo 70 let od úmrtí autora. Badatelé mají kdispozici digitální obrázky aplnotextové prohledávání. Publikace lze procházet po jednotlivých stranách. Centrum medievistických studií spravuje rovněž aplikaci HyperFontes (2023), digitální repertorium pramenů kčeskému středověku, tj.záznamy ainformace oautorech adílech bohemikálního charakteru. Tyto zdroje jsou součástí výzkumné infrastruktury středověkých araně novověkých bohemikálních pramenů MEMORIA, která se začlenila do velké výzkumné infrastruktury LINDAT/CLARIAH-CZ. 4.4 LINDAT/CLARIAH-CZ Výzkumná infrastruktura LINDAT/CLARIAH-CZ (2023), jejíž historie sahá do roku 2010, nabízí badatelům celou řadu specializovaných iobecně zaměřených zdrojů, mj.Bibliografii dějin Českých zemí (2013)— bibliografická data, velké množství prohledávatelných korpusů25 (např.ParCzech— česká parlamentní data zkompilovaná do korpusu slingvistickými anotacemi) nebo tematicky zaměřené zdroje (Vokabulář webový— textové, obrazové azvukové zdroje kpoznávání historické češtiny; Arne Novák— digitální knihovna prof. Arna Nováka, literárního vědce, kritika, historika aesejisty; Malach— digitální archiv orálně historických rozhovorů ap.). Významné těžiště představuje repozitář26 pro jazyková data anástroje na zpracování textu. Kjeho přednostem patří, že jsou uložená data inástroje opatřeny kvalitními metadaty včetně licenčních podmínek, takže je lze snadno dohledat, citovat apoužívat. Kdatům anástrojům slicencí, která neumožňuje bezplatné avolné sdílení, je možné přistoupit až po přihlášení krepozitáři. Lze využít přihlášení prostřednictvím institucionálního účtu uakademické instituce, která je součástí federace EduGAIN;27 obvykle je tedy možné se přihlásit pomocí účtu vsíti eduroam,28 vpřípadě potřeby lze požádat oindividuální přístup. Přihlášení je nezbytné pro badatele, kteří chtějí svá data vrepozitáři uložit. Ke konci roku 2022 obsahoval tento repozitář 492 položek, které se týkaly českého jazyka anesly ssebou obsah vpodobě přiložených souborů.29 25 Viz <https://lindat.mff.cuni.cz/services/kontext/corpora/corplist>. 26 Digitální úložiště spravované Lindatem vychází zopensourcového řešení DSpace (<https://dspace.lyrasis.org>); zdrojový kód je kdispozici vúložišti GitHub (<https://github. com/ufal/clarin-dspace>). 27 Viz <https://edugain.org>. 28 Viz <https://www.eduroam.cz>. 29 Viz dotaz <https://bit.ly/lindat-ceske-zdroje>. Pro ostatní jazyky bylo kdispozici 1406 položek, celkem LINDAT/CLARIAH-CZ evidoval 2099 položek. BORIS LEHEČKA 279 Zhlediska práce sdaty jsou důležité také nástroje, které LINDAT/CLARIAH-CZ pro práci sjazykovými daty nabízí. Vzhledem kzaměření našeho článku upozorňujeme zejména na dva znich: UDPipe aNameTag, které lze využívat jako samostatné aplikace nebo prostřednictvím webové služby. Aplikace UDPipe 2 (Straka, 2016)30 texty tokenizuje, lemmatizuje aopatřuje morfologickou asyntaktickou anotací. Morfologická anotace má podobu jak pozičních značek,31 tak universal POS tags32 auniversal features,33 které vycházejí zmezinárodního standardu Universal Dependencies.34 Software samotný je kdispozici pod licencí Mozilla Public License 2.0,35 datové modely pro více než šedesát jazyků36 jsou dostupné pod licencí CC BY-NC-SA.37 Aplikace NameTag 2 (Straka, 2014)38 slouží kidentifikaci pojmenovaných entit (tj.jmen osob, institucí, geopolitických celků, časových údajů ap.). Datové modely39 existují pro pět jazyků. Pro program ajeho datové modely platí obdobné licenční podmínky jako upředchozího nástroje. 4.5 JAZYKOVé KORPUSY Na práci svelkými objemy dat se od svých počátků zaměřovaly jazykové korpusy. Jedná se o„rozsáhlý soubor autentických textů (psaných nebo mluvených) převedený do elektronické podoby vjednotném formátu tak, aby vněm bylo možné jednoduše vyhledávat jazykové jevy“.40 Často slouží jako lexikologický alexikografický nástroj, ale používají se ivjiných oblastech, které využívají texty jako zdroje poznání reality (historie, sociologie, psychologie apod.). Zpočátku vznikaly textové korpusy na základě tištěných předloh, později ina základě digitálních dokumentů avposlední době vznikají také korpusy sestavené ztextů dostupných na webových stránkách (viz např.projekt Aranea (Benko, 2014)). Vsoučasnosti existuje velké množství korpusů různých národních jazyků sobecným ispecifickým zaměřením na určité oblasti jazyka (poezie, historické texty, parlamentní projevy apod.). Budování korpusu pro český jazyk se ujal Ústav Českého národního korpusu FF UK, který mj.od roku 2000 co pět let zveřejňuje reprezentativní referenční korpus synchronní češtiny oobjemu cca 100 mil. slov; poslední verze SYN2020 (2020)41 obsa30 Zdrojový kód viz <https://github.com/ufal/udpipe>. 31 Viz <https://wiki.korpus.cz/doku.php/:seznamy:tagy>. 32 Viz <https://universaldependencies.org/u/pos/index.html>. 33 Viz <https://universaldependencies.org/u/feat/index.html>. 34 Viz <https://universaldependencies.org>. 35 Viz <https://www.mozilla.org/en-US/MPL/2.0/>. 36 Viz <https://ufal.mff.cuni.cz/udpipe/2/models>. 37 Viz <https://creativecommons.org/licenses/by-nc-sa/4.0/>. 38 Zdrojový kód viz <https://github.com/ufal/nametag>. 39 Viz <https://ufal.mff.cuni.cz/nametag/2/models>. 40 Viz <https://wiki.korpus.cz/doku.php/pojmy:korpus>. 41 Viz <https://wiki.korpus.cz/doku.php/cnk:syn2020>. 280 ČASOPIS PRO MODERNÍ FILOLOGII 105, 2023, Č.2 huje 121 826 797 pozic. Spojením výše uvedených synchronních korpusů spolu skorpusy publicistickými idosud nezpracovanými texty vzniká korpus SYN (2022), který ve verzi 1142 zroku 2022 obsahuje 6 067 313 960 pozic.43 Pro češtinu existuje také několik webových korpusů: Web Corpus of Czech (Spoustová, 2012)— zroku 2012, 628 332 859 pozic; Araneum Bohemicum Maximum (Czech, 15.04; Benko, 2015)44— zroku 2015, 3 198 768 569 pozic; nebo poslední Araneum Bohemicum IV Maximum (Czech, 20.03; Benko, 2020)45— zroku 2020, 7 103 994 584 pozic. Ke specializovaným zdrojům můžeme řadit např.Korpus českého verše (2021) (lemmatizovaný, foneticky, morfologicky, metricky astroficky anotovaný korpus české poezie 19.apočátku 20.století; 1689 básnických sbírek; 14 592 037 slov)46 nebo Staročeskou textovou banku (bez data) (transkribovaná nevyvážená kolekce textů staročeských literárních památek zobdobí přibližně mezi lety 1300 až 1500; 6 953 501 pozic) ap. Kpráci skorpusovými daty slouží specializované aplikace nazývané korpusové manažery. Všechny výše zmiňované zdroje využívají manažery, které vycházejí zvolně dostupné aplikace NoSketch Engine.47 Aplikace KonText48 ke konci roku 2022 přišla spřístupem ke korpusům pomocí programového rozhraní REST API.49 Programové rozhraní již delší dobu nabízí komerční produkt Sketch Engine.50 Výzkumná infrastruktura LINDAT/CLARIAH-CZ začlenila vroce 2019 mezi prezentační nástroje rovněž manažer TEITOK,51 určený pro tzv.„živé“ korpusy, které se průběžně mění ateprve vurčitých fázích vývoje se znich stávají verzované statické korpusy. TEITOK využívá pro korpusové dotazy volně dostupnou aplikaci IMS Open Corpus Workbench (CWB).52 42 Viz <https://wiki.korpus.cz/doku.php/cnk:syn:verze11>. 43 Kromě tohoto díla vznikají péčí ÚČNK idalší, více či méně specializované korpusy, např.Totalita (korpus psaného jazyka komunistického režimu, 15 350 741 pozic), CzeSL- -plain 2 (žákovský korpus češtiny nerodilých mluvčích, 2 320 678 pozic), ORAL (referenční korpus neformální mluvené češtiny, 6 361 707 pozic), DIAKORP (verzovaný korpus diachronní složky ČNK, 4 128 874 pozic) aj. 44 Dostupný pouze pro registrované uživatele. 45 Dostupný pouze pro registrované uživatele. 46 Veřejně dostupná data zrepozitáře na GitHubu (<https://github.com/versotym/corpusCzechVerse>) obsahují kvůli licenčním podmínkám pouze 1305 sbírek, 66 428 básní, 2 310 917 veršů, 12 636 867 slov, 15 399 220 pozic (tj.slov ainterpunkce). 47 Viz <https://nlp.fi.muni.cz/trac/noske>. 48 Viz <https://github.com/czcorpus/kontext>. 49 Viz <https://wiki.korpus.cz/doku.php/manualy:api> (základní informace) a<https:// github.com/czcorpus/kontext/wiki/HTTP-API (podrobná dokumentace). 50 Viz <https://www.sketchengine.eu/documentation/api-documentation/>. 51 Viz <https://www.teitok.org>; zdrojový kód: <https://gitlab.com/maartenes/TEITOK> a<https://github.com/ufal/teitok-tools>. 52 Viz <https://cwb.sourceforge.io>; zdrojový kód: <https://sourceforge.net/p/cwb/code/ HEAD/tree/>. BORIS LEHEČKA 281 5. AUTORSKÝ ZÁKON Ať už badatel pracuje sjakýmikoli daty, na něž můžeme pohlížet jako na databázi nebo na autorské dílo, měl by dodržovat základní pravidla nakládání snimi daná autorským zákonem, tj.zákonem č.121/2000 Sb. (dále též AZ).53 Tato právní norma např.v§ 31 stanovuje pravidla pro užití citace nebo se v§ 92 vyjadřuje kvytěžování či zužitkovávání databází. Dne 5.ledna 2023 vstoupila vplatnost podstatná aktualizace AZ, která vychází zadaptace směrnice Evropského parlamentu aRady č.2019/790 ze dne 17.dubna 2019 oautorském právu aprávech sním souvisejících na jednotném digitálním trhu aozměně směrnic 96/9/ES a2001/29/ES.54 Schválené znění má mj.vliv na vytěžování textů adat za účelem získávání nových poznatků aobjevování nových trendů, jde zejména o§ 39c a§ 39d. § 39c: Licence krozmnožování díla pro účely automatizované analýzy textů nebo dat (1) Do práva autorského nezasahuje ten, kdo zhotoví rozmnoženinu díla za účelem automatizované analýzy textů nebo dat vdigitální podobě, prováděné za účelem získání informací, zahrnujících mimo jiné vzory, tendence asouvztažnosti; takto zhotovenou rozmnoženinu je oprávněn uchovat pouze po dobu nezbytnou pro účely této automatizované analýzy textů nebo dat. (2) Ustanovení odstavce 1 se nepoužije pro rozmnoženiny díla, jehož autor si užití podle odstavce 1 výslovně vyhradil vhodným způsobem; vpřípadě díla zpřístupněného podle § 18 odst. 2 strojově čitelnými prostředky. (3) Ustanoveními odstavců 1 a2 není dotčeno ustanovení § 39d. § 39d: Licence krozmnožování díla pro účely automatizované analýzy textů nebo dat kvědeckému výzkumu Do práva autorského nezasahuje a) vysoká škola, která jako součást své činnosti provádí vědecký výzkum, nebo právnická osoba, jejímž hlavním cílem je provádět vědecký výzkum nebo vykonávat vzdělávací činnost zahrnující rovněž vědecký výzkum, jestliže je vědecký výzkum této vysoké školy nebo právnické osoby prováděn tak, aby přístup kjeho výsledkům nebyl přednostně umožněn tomu, kdo na tuto vysokou školu nebo právnickou osobu vykonává rozhodující vliv, asoučasně tak, aby výzkum byl prováděn ve veřejném zájmu nebo na neziskovém základě nebo tak, že všechny zisky jsou zpětně investovány do vědeckého výzkumu této vysoké školy nebo právnické osoby, nebo b) instituce kulturního dědictví, zhotoví-li pro účely vědeckého výzkumu rozmnoženinu díla za účelem automatizované analýzy textů nebo dat vdigitální podobě, prováděné za účelem získání informací, zahrnujících mimo jiné vzory, tendence asouvztažnosti; takto zhotovenou rozmnoženinu je povinna uložit svhodnou úrovní zabezpečení amůže ji uchovávat pro účely vědeckého výzkumu, včetně ověření výsledků výzkumu. 53 Viz <https://www.zakonyprolidi.cz/cs/2000-121>. 54 Viz <https://eur-lex.europa.eu/legal-content/CS/TXT/?uri=CELEX:32019L0790>. 282 ČASOPIS PRO MODERNÍ FILOLOGII 105, 2023, Č.2 Ikdyž se bude právní praxe ve výkladu uvedených pasáží teprve ustalovat, zjednodušeně můžeme uvedené paragrafy chápat následovně: badatel (popř. badatelský tým) může pro svůj výzkum (automatizovanou analýzy textů nebo dat) pořídit kopii libovolných autorských děl, ale nesmí do nich zahrnout díla, unichž si autor takové využití nepřeje.55 Po dokončení výzkumu musí takto shromážděná díla nebo data odstranit. Instituce, které se zabývají výzkumem (tj.zejména vysoké školy), mohou také vytvářet kopie autorských děl pro účely automatizované analýzy textů nebo dat, ale na výsledky takového výzkumu se kladou některá omezení: zejména mají mít všechny další subjekty ktakovým výsledkům stejný přístup apřípadný zisk se investuje do dalšího výzkumu. Výjimečné postavení mají instituce kulturního dědictví, tj.archivy, veřejné knihovny amuzea.56 Pokud budou kopie autorských děl pro účely výzkumu dostatečně zabezpečené, mohou je pro tyto účely dlouhodobě uchovávat, mj.ipro ověření výsledků předchozího výzkumu. 6. DIGITÁLNÍ KNIHOVNY České digitální knihovny zpřístupňují digitalizované publikace jednotlivých institucí prostřednictvím opensourcové aplikace Kramerius.57 Ikdyž převažují monografie aperiodika, využívá se také pro zpřístupnění starých tisků, map, hudebnin, grafik, zvukových adalších typů dokumentů včetně tzv.borndigital58 publikací. Veškeré dokumenty jsou obohaceny opopisná metadata na úrovni titulu (odpovídající záznamu vknihovním katalogu), jednotlivých stran imezilehlých úrovní (ročník nebo číslo periodika apod.). Ke stranám jsou umonografií aperiodik kdispozici itextové přepisy, svýjimkou starých tisků, kde nástroje pro rozpoznání textu neposkytovaly kvalitní výsledky, ato zejména učeských tisků (pro latinu aněmčinu přepisy často existují). Uněkterých dokumentů jsou dostupná imetadata popisující logické části dokumentů, jako jsou kapitoly nebo články. Zhlediska objemu dat ajejich struktury (vyváženosti) mají digitální knihovny blízko kwebovým korpusům. Na rozdíl od webových stránek obsahují díla starší (de facto od počátků knihtisku) aautorsky chráněná, na druhou stranu vnich najdeme málo obsahu vytvářeného tak širokým spektrem tvůrců jako na internetu. Všechny základní knihovní jednotky (monografie, periodika ap.) ajejich strany jsou vsystému Kramerius identifikovány pomocí jedinečného perzistentního identi55 Pro tyto účely vznikne nejspíš specializovaný seznam děl, podobně jako vpřípadě děl nedostupných na trhu, viz <https://sdnnt.nkp.cz/sdnnt/home>. 56 Viz např.záznam přednášky Výjimky pro instituce kulturního dědictví dle směrnice oautorském právu na jednotném digitálním trhu, která se uskutečnila krátce po schválení evropské směrnice; dostupné z<https://invenio.nusl.cz/record/407829?ln=cs>. 57 Zdrojové kódy: <https://github.com/ceskaexpedice/kramerius/>. 58 Jedná se opublikace, které vznikly velektronické podobě ajejich tištěnou („papírovou“) verzi lze považovat za sekundární. BORIS LEHEČKA 289 API. Specifikace je dostupná na stránkách DL4DH Feederu,85 vybrané příklady jsou kdispozici vrepozitáři zdrojového kódu na GitHubu86 aukázka je dostupná také ve veřejném pracovním prostoru aplikace Postman.87 6.3.1 OMEZENÍ APROBLéMY Jako většina aplikací, které pracují shistorickými daty (vpřípadě digitálních knihoven spublikacemi, které vznikaly vprůběhu několika staletí, azároveň sdaty, tj.skeny arozpoznáním, které vznikaly od roku 1992), je potřeba se ivpřípadě nástrojů DL4DH vypořádat stouto proměnlivostí. Vprvé řadě je to nízká kvalita vstupních dat, tj.digitálních obrazů publikací, případně různá kvalita automatického rozpoznání textu.88 To může být příčinou chyb při následných analýzách lingvistickými nástroji. Pokud unaskenovaného dokumentu není kdispozici rozpoznaný text ve formátu ALTO, nebude fungovat obohacení textu pomocí lingvistických nástrojů, které na tento typ vstupních dat spoléhají. Vtakovém případě je nutno kontaktovat kurátora sbírky adomluvit se na jejich rozpoznání pomocí aplikace pro OCR. Na práci lingvistických nástrojů má dále vliv kombinace několika jazyků vtextu. Ikdyž používané nástroje pro morfologickou analýzu (UDPipe 2), resp.pro rozpoznání pojmenovaných entit (NameTag 2), umějí analyzovat několik jazyků, správná aplikace vyžaduje nejprve identifikaci pasáží sodlišnými jazyky ajejich samostatné zpracování sodpovídajícím nastavením parametrů jednotlivých programů. Uložené dotazy, popř. data, jež těmto dotazům odpovídají, nelze považovat za stoprocentně replikovatelná, neboť může dojít kaktualizaci bibliografických metadat, knovému rozpoznání pomocí OCR, případně kanalýze textu novějšími verzemi lingvistických nástrojů, přičemž ani vjednom zuvedených případů se předchozí verze dat neuchovávají. 6.3.2 VÝHLEDY DO BUDOUCNA Ostrá verze nástrojů DL4DH byla spuštěna teprve počátkem roku 2023, proto lze stejně jako ujiných projektů očekávat, že projde zatěžkávací zkouškou vpodobě požadavků na přístup kvelkým datům ze strany badatelů voblasti humanitních asociálních věd. Nahrávají tomu také změny voblasti autorského práva, které umožňují využívat digitální kopie autorských děl pro automatizované analýzy, prováděné za účelem získání informací, zahrnujících mimo jiné vzory, tendence asouvztažnosti ivpřípadech, že jsou díla autorsky chráněna (za splnění určitých podmínek). Očekáváme jednak vylepšení funkcí zejména na straně uživatelského rozhraní, tj.DL4DH Feederu, jednak ve fázi přípravy dat ke zveřejnění. Může se na85 Viz <https://feeder.nkp.cz/swagger-ui/index.html>. 86 Viz <https://github.com/LIBCAS/DL4DH-Feeder>. 87 Viz <https://www.postman.com/winter-comet-20618/workspace/dl4dh-feeder>. 88 Na kvalitu OCR může mít vliv např.software, který nedokáže zpracovat text obrácený o90 stupňů, nebo volba nesprávného modelu (typu písma či jazyka) pro rozpoznávání. 290 ČASOPIS PRO MODERNÍ FILOLOGII 105, 2023, Č.2 příklad jednat ozapojení aplikací pro OCR (např.PERO OCR (bez data)) pro rozpoznání textu vpřípadě, že není kdispozici formát ALTO. Nebo využití novějších verzí nástrojů NameTag aUDPipe, jejichž aktualizace se vrámci infrastruktury LINDAT/CLARIAH-CZ připravuje. 7. ZÁVĚR Voblasti humanitních asociálních věd představuje významnou součást badatelské práce analýza primární asekundární literatury. Vedle jazykových korpusů lze vposledních letech za vhodné zdroje písemných pramenů považovat digitální knihovny, které včeských zemích vletech 1992–2022 digitalizovaly přibližně 98,7 mil. stránek. Zpracování tak velkého objemu dat ze strany badatelů se stává možné díky rozvoji počítačových technologií, novým přístupům kdatům inovým výpočetním metodám. Článek přibližuje dílčí zkušenosti ze zahraničí apřináší stručný přehled ozdrojích dat včeském prostředí. Zaměřuje se na nedávno dokončený projekt DL4DH, jehož cílem je nabídnout badatelům přístup kvelkým objemům dat zdigitálních knihoven Kramerius ve standardizovaných formátech (prostý text, ALTO, CSV/TSV, TEI, JSON) nejen prostřednictvím nové webové aplikace, ale ipomocí programového rozhraní REST API. Aby byla následná analýza publikací co nejsnazší, mohou být součástí stažených dat obohacující údaje znástrojů UDPipe aNameTag, které vyvíjí aprovozuje výzkumná infrastruktura LINDAT/CLARIAH-CZ. LITERATURA Lehečka, B.— Novák, D.— Kersch, F. et al. (2022): Metodika přípravy dat zdigitálních knihoven pro využití vdigitálních humanitních vědách. Knihovna AV ČR. Dostupné také z: http://invenio.nusl.cz/record/511549/files/ Metodika_DL4DH.pdf Richter, V. (2020): Zpřístupnění plných textů digitalizovaných knih aperiodik prostřednictvím Národní digitální knihovny. Informace— zpravodaj Knihovny AV ČR [online]. (2) [cit.2022-04-28]. Dostupné z: https://www.lib.cas.cz/casopis_informace/ zpistupneni-digi-ndk/ Standardy digitalizace (2018). In: Národní digitální knihovna [online]. Praha: Národní knihovna ČR [cit.2022-06-25]. Dostupné z: https://standardy.ndk.cz/ndk/standardydigitalizace/ Wilkens, M.— Ruan, G. (2020): Geographic Locations in English-Language Literature, 1701–2011 (1.0). [Dataset] [online]. 2020. HathiTrust Research Center [cit.2023-01-19]. Dostupné z: https://doi. org/10.13012/2K5C-RF13 ELEKTRONICKÉ ZDROJE Benko, V. (2014): Aranea: Yet Another Family of (Comparable) Web Corpora. In: P.Sojka— A.Horák— I.Kopeček— K.Pala (eds.), Text, Speech and Dialogue [online]. Cham: Springer International Publishing, Lecture Notes in Computer Science, s.247–256 [cit.2023-04-24]. Dostupné z: https://doi.org/ 10.1007/978-3-319-10816-2_31. BORIS LEHEČKA 291 Benko, V. (2015): Araneum Bohemicum Maximum: verze 15.04 [online]. Praha: Ústav Českého národního korpusu FF UK [cit.2023-04-24]. Dostupné z: http://www.korpus.cz Benko, V. (2020): Araneum Bohemicum Maximum: verze 20.03 [online]. Bratislava: UNESCO Chair in Plurilingual and Multicultural Communication, Comenius University in Bratislava a[cit.2023-04-24]. Dostupné z: http://unesco.uniba.sk Bibliografie dějin Českých zemí [online] (2013). Praha: Historický ústav AV ČR [cit.2023-04-24]. Dostupné z: https://biblio.hiu.cas.cz Czech medieval sources FONTES [online] (2023). Praha [cit.2023-04-24]. Dostupné z: https:// sources.cms.flu.cas.cz Česká digitální knihovna: Národní agregátor digitálních knihoven [online] (2022). Praha: Knihovna AV ČR [cit.2022-06-25]. Dostupné z: https://www.czechdigitallibrary.cz DALL·E2 [online] (2022). San Francisco: OpenAI [cit.2023-04-24]. Dostupné z: https://labs. openai.com Digitální knihovna [online], bez data. Brno: Moravská zemská knihovna vBrně [cit.2023-04-24]. Dostupné z: https://www. digitalniknihovna.cz Europeana [online], bez data. [cit.2023-04-24]. Dostupné z: https://www.europeana.eu/cs HathiTrust: Digital Library [online] (2008–2023). [cit.2023-04-24]. Dostupné z: https://www. hathitrust.org HyperFontes: Metadatový modul databáze Czech Medieval Sources online [online] (2023). Praha: Centrum medievistických studií [cit.2023-04-24]. Dostupné z: https:// hyperfontes.cms.flu.cas.cz Charles Translator for Ukraine [online] (2022). Praha [cit.2023-04-24]. Dostupné z: https:// lindat.cz/translation ChatGPT [online] (2022). San Francisco: OpenAI [cit.2023-04-24]. Dostupné z: https://chat. openai.com Korpus českého verše [online] (2021). Praha: Ústav pro českou literaturu AV ČR, v. v. i. [cit.2023-04-24]. Dostupné z: https:// versologie.cz/v2/web_content/corpus.php LINDAT/CLARIAH-CZ: Digitální výzkumná infrastruktura pro jazykové technologie, umění ahumanitní vědy [online] (2023). Praha [cit.2023-04-24]. Dostupné z: https://lindat. cz/cs Manuscriptorium: Digital Library of Written Cultural Heritage [online] (2023). [cit.2023-04-24]. Dostupné z: https:// www.manuscriptorium.com/cs Monasterium [online] (2023). ICARUS [cit.2023-04-24]. Dostupné z: https://www. monasterium.net/mom/home PERO OCR: demonstration application [online], bez data. Brno: Vysoké učení technické vBrně [cit.2023-04-24]. Dostupné z: https://pero-ocr.fit.vutbr.cz Registr digitalizace: Evidence dokumentů digitalizovaných vČR [online] (2017). Praha: Národní knihovna ČR— Knihovna Akademie věd ČR— INCAD [cit.2023-04-24]. Dostupné z: https://www.registrdigitalizace.cz Registr Krameriů [online], bez data. Brno: Moravská zemská knihovna vBrně [cit.2023-04-24]. Dostupné z: https://registr. digitalniknihovna.cz Spoustová, J.— Spousta, M. (2012): CWC2011. Dostupné také z: http://hdl.handle.net/11858/ 00-097C-0000-0006-B847-6 Staročeská textová banka [online], bez data. Praha: Ústav pro jazyk český AV ČR, v. v. i., oddělení vývoje jazyka, verze dat 1.1.22 [cit.2023-04-24]. Dostupné z: https://korpus.vokabular.ujc.cas.cz/first_ form?corpname=STB-1.1.22.1 Straka M.— Straková, J. (2014): NameTag [online]. Praha: LINDAT/CLARIAH-CZ, digitální knihovna při Ústavu formální aaplikované lingvistiky, Matematicko- -fyzikální fakulta Univerzity Karlovy [cit.2023-04-24]. Dostupné z: http://hdl.handle.net/11858/ 00-097C-0000-0023-43CE-E Straka M.— Straková, J. (2016): UDPipe [online]. Praha: LINDAT/CLARIAH-CZ, digitální knihovna při Ústavu formální aaplikované lingvistiky, Matematicko- -fyzikální fakulta Univerzity Karlovy