Digital humanities e organizzazione della conoscenza:
una pratica di insegnamento nel LODLAM

Francesca Tomasi

Introduzione

Fin dalle origini della cosiddetta humanities computing, altrimenti declinata in Italia con il termine ‘informatica umanistica’, numerosi sono stati i contributi critici che hanno tentato di fare il punto su ciò che significa insegnare questa disciplina (se così possiamo chiamarla). Proposte diverse sono emerse negli anni, che spaziano da soluzioni pratiche – a titolo di esempio, potremmo menzionare il progetto Aco*Hum¹ o anche la proposta tedesca di un curriculum di settore² –, al ragionamento teorico sulla dimensione pedagogica e formativa di questi saperi trasversali³.
Lavorare nel settore di quelle che, più di recente, sono state chiamate digital humanities (da ora DH)⁴ significa aggregare conoscenze eterogenee, provenienti da numerose discipline tradizionali, con l’obiettivo di elaborare nuove strategie di rappresentazione, analisi e disseminazione del sapere; ma anche con lo scopo di utilizzare strumenti, tecniche e tecnologie per fare ricerca con una nuova visione delle discipline umanistiche: la coscienza della computabilità del dato umanistico.
Insegnare DH significa fornire quelle competenze e capacità necessarie per convertire queste conoscenze in pratica, tanto sul piano metodologico quanto su quello tecnico-applicativo, con l’obiettivo di studiare le discipline umanistiche attraverso nuove lenti di osservazione, finalizzate ad agevolare la produzione di risultati innovativi e non convenzionali.
Nel 2017 l’Università di Bologna ha avviato un corso di laurea magistrale internazionale, erogato integralmente in lingua inglese, in Digital humanities and digital knowledge (da ora DHDK)⁵. Il corso di laurea è di natura altamente interdisciplinare, ed è stato ideato nell’ottica di una profonda e mutua interazione tra discipline umanistiche e informatica, aggiungendo il contributo teorico proveniente da alcune discipline trasversali come diritto, economia, comunicazione e strategia sociale. Il corso di laurea DHDK focalizza in particolare sull’esigenza di applicare conoscenze e competenze all’interno e per un progetto; l’obiettivo principale è infatti quello di trasmettere agli studenti il principio di fare ricerca applicando metodi e modelli DH per realizzare oggetti, ambienti e strumenti digitali scientificamente solidi, e in modo orientato a risolvere reali problemi di ricerca⁶. Ibridare conoscenze per creare una nuova coscienza nello studio delle humanities è l’obiettivo della formazione erogata durante il corso di studio. L’apprendimento è di conseguenza inteso come la capacità di ragionare criticamente su tali conoscenze per produrre risultati di ricerca consistenti e originali⁷.
Durante il primo anno di corso, gli studenti iniziano ad avvicinarsi al tema DH attraverso alcuni saperi trasversali: la filologia digitale; le scienze del libro e del documento; i sistemi di analisi, recupero ed estrazione di stringhe di caratteri; i musei e la museologia; i testi digitali nelle discipline umanistiche e infine i sistemi di organizzazione della conoscenza. Oltre a queste discipline, viene fornito un know-how informatico più specifico: il pensiero computazionale, i linguaggi di programmazione, i database multimediali, le tecnologie web, la rappresentazione ed estrazione della conoscenza, in particolare nell’ottica del web semantico; i metodi multimediali e tridimensionali nel contesto della valorizzazione dei beni culturali materiali.
La maggior parte di queste attività ha elaborato un metodo di valutazione basato sulla realizzazione di un progetto, che, come si diceva, deve partire da uno scenario reale, ovvero da un autentico quesito di ricerca. Dato un tema, un argomento, un obiettivo o uno scopo, agli studenti – preferibilmente organizzati in gruppo – viene chiesto di progettare un lavoro orientato a produrre risultati scientificamente solidi e che possano essere poi presentati, o disseminati, attraverso supporti eterogenei (ad esempio un articolo scientifico, un’applicazione web, un ambiente digitale o una mostra virtuale).
Ogni progetto documenta l’ibridazione delle conoscenze apprese studiando in modo trasversale le discipline erogate durante il primo anno di formazione dentro DHDK. Filologia, letteratura, linguistica, scienza del libro e del documento, patrimonio materiale insieme al pensiero computazionale, la logica di programmazione, le tecnologie web e la gestione della conoscenza, diventano dunque i punti di partenza per avviare un progetto nel settore delle DH.
Lo schema virtuale di valutazione per ciascun progetto segue questa griglia ideale:

• originalità e consistenza dell’idea alla base del progetto (scopo, contesto, profilo dell’utente finale);
• qualità e correttezza della metodologia adottata (strumenti, metodi, modelli);
• capacità di proporre e gestire un lavoro di squadra (funzioni dei membri del team di lavoro);
• valore dell’output finale (caratteristiche, tecnologie, servizi).

Il corso di Knowledge organization and cultural heritage (che per brevità chiameremo KO and CH) è concepito come un’opportunità per combinare abilità e competenze eterogenee, provenienti da diverse discipline nel dominio DH, necessarie a comprendere come valorizzare i dati culturali provenienti da archivi, biblioteche e musei per fornire conoscenze reali, e quindi spendibili, all’utente finale (che sia utente umano o macchina).
Insieme alla consapevolezza della knowledge organization (da ora KO) come metodologia⁸, questo corso si concentra sul dominio libraries, archives and museums (da ora LAM), scegliendo i linked open data (da ora LOD) come la modalità per organizzare i dati prodotti dalle istituzioni culturali, e con lo scopo didattico finale di superare barriere e steccati disciplinari, ovvero con il fine di andare «beyond the silos of the LAMs»⁹, al contempo utilizzando le teorie, le metodologie e le tecniche del DH¹⁰.
L’idea è di fornire agli studenti gli strumenti necessari per comprendere come passare dai tradizionali finding aid archivistici o dai cataloghi bibliografici, ad ambienti a base semantica esplicita. Un grafo della conoscenza nel contesto del patrimonio culturale (o anche un cultural heritage knowledge graph) è l’obiettivo finale di questo ragionamento critico su descrizione, gestione, diffusione, uso e riuso dei dati, in una più generale visione della manipolazione delle risorse all’interno del complesso ciclo vitale degli oggetti informativi.
Un approccio orientato alla focalizzazione su dati, metadati e, in generale, sugli standard di contenuto e struttura nel dominio LAM, consente agli studenti di acquisire una nuova visione dei problemi legati alla descrizione del patrimonio culturale.
Attraverso la nozione di semantic web poi, in particolare nel contesto della modellizzazione concettuale, gli studenti acquisiscono la capacità di riflettere sul patrimonio culturale, attribuendo un nuovo significato al principio della valorizzazione.
Con le DH si aggiunge poi la consapevolezza del senso dell’ermeneutica attraverso la pratica della produzione di nuova conoscenza come atto interpretativo in una dimensione progettuale.
Per concludere, lavorare su scenari reali è la chiave per raggiungere gli obiettivi educativi enunciati.
Scendendo nel dettaglio dell’offerta formativa, l’idea di valutare l’apprendimento nel settore KO and CH può essere riassunta come segue: il workflow inizia con l’osservazione di una porzione di dominio LAM, che nasca dall’idea di un possibile progetto (selezione dei dati); il requirement è di procedere per astrazione, disegnando un primo modello, capace di descrivere quanto osservato; il passo successivo è l’identificazione dei metadati e degli standard utilizzati dalle istituzioni da cui i dati sono acquisiti; l’osservazione deve quindi essere arricchita con nuovi fenomeni descrittivi, esito di un procedimento di analisi; successivamente, il processo prevede la traduzione del primo modello in una rappresentazione concettuale, riutilizzando ontologie pertinenti; infine, per completare il flusso di lavoro, è necessario produrre LOD in una delle possibili serializzazioni RDF e aggiungere collegamenti ai dati già presenti nel LOD cloud.
Detto altrimenti, dato un dominio, rappresentato da un insieme di oggetti analogici (ma già acquisiti digitalmente e descritti secondo gli standard in essere), provenienti dal dominio bibliografico, archivistico e museale/materiale, gli studenti sono tenuti ad arricchire le descrizioni esistenti riflettendo sulle possibili relazioni trasversali tra le entità coinvolte nell’analisi. Vengono per questo utilizzati strumenti propri del web semantico e metodi canonici dell’approccio LOD, ma gli studenti sono anche invitati a formalizzare la propria interpretazione sul dominio osservato, arricchendolo con nuovi collegamenti semantici, anche a risorse esterne.
Al fine di riflettere su questi aspetti, il presente articolo è organizzato come segue: vengono presentati i contenuti del corso KO and CH; viene descritta una proposta di linee guida per un progetto LODLAM; per concludere viene simulato uno scenario reale, ovvero una possibile idea progettuale.

Knowledge organization and cultural heritage: il programma del corso

Il corso KO and CH ha lo scopo di introdurre alle problematiche dell’organizzazione della conoscenza. In particolare, si suppone che alla fine del corso gli studenti siano in grado di: utilizzare gli standard del dominio LAM per la descrizione dei dati culturali; conoscere le pratiche in uso per l’arricchimento degli stessi dati attraverso strategie semantiche (ontologie e vocabolari controllati); creare metadati complessi per oggetti digitali nel dominio del patrimonio culturale.
Il corso si concentra su tre argomenti strettamente correlati:

• lo studio dei principali standard internazionali nel settore LAM;
• la riflessione sul concetto di organizzazione della conoscenza (KO) e sui sistemi di organizzazione della conoscenza (KOS), e in particolare sul ruolo delle ontologie come modelli concettuali;
• l’analisi delle attività semantiche attraverso metodi KO nel contesto del LAM, con particolare attenzione al ruolo del movimento LOD.

In una frase, il corso mira a fornire agli studenti le competenze per creare, gestire, diffondere e preservare metadati complessi in LOD, come metodo KO nel dominio LAM.
Per offrire una panoramica delle pratiche e dei metodi in uso nel LAM a livello nazionale e internazionale, durante il corso vengono discusse le attività delle tre organizzazioni di settore, e in particolare vengono presentati gli standard elaborati. Quindi, per il dominio biblioteche, viene esaminato il ruolo dell’IFLA¹¹ e l’attività della Library of Congress¹², insieme agli standard italiani proposti da ICCU¹³; per gli archivi, è l’attività dell’ICA¹⁴, insieme all’ICAR¹⁵, l’oggetto di interesse; per i musei viene analizzata la proposta dell’ICOM¹⁶, insieme alla gestione della descrizione del patrimonio culturale come disegnata dall’ICCD¹⁷.
Partendo dunque dal ruolo delle istituzioni culturali nell’organizzazione dell’informazione, come la funzione ancestrale dei luoghi di conservazione del patrimonio¹⁸, il mondo di LAM è allora presentato come un grafo globale di dati, metadati e vocabolari¹⁹.
L’analisi degli standard è particolarmente importante per affrontare una serie di problemi, vale a dire per acquisire consapevolezza del fatto che:

• ogni istituzione culturale ha sviluppato i propri standard;
• ogni istituzione ha alcune tipologie di oggetti, o anche fonti materiali, da preservare e descrivere;
• ogni oggetto, o anche ogni tipologia documentaria, ha il suo standard da seguire;
• non tutti gli oggetti (dai libri, antichi e moderni, ai documenti archivistici nelle loro varie tipologie; dai sigilli alle mappe; dalle riviste alle statue; dai manoscritti ai dipinti) hanno uno standard di riferimento per la descrizione;
• alcuni standard sono condivisi da diverse istituzioni.

Lo sforzo di classificare gli standard per i metadati²⁰ è un passo importante per affrontare questi problemi. Tuttavia, nella dimensione del web semantico, questa classificazione è sfuggente, in particolare per quanto riguarda la differenza tra dati e metadati nella produzione di LOD, e di questo è necessario acquisire la giusta consapevolezza.
Per ragionare quindi in ottica LOD dal punto di vista teorico, il modello RDF viene introdotto nei termini di una nuova modalità di espressione dei metadati in dimensione tanto sintattica (la tripla), quanto semantica (i predicati ontologici), ragionando sulle principali entità oggetto della rappresentazione di dati aperti e interconnessi: le persone, i luoghi, le date, i concetti.
Quindi, al fine di comprendere i processi che consentono la trasformazione di cataloghi, inventari o ausili di ricerca in generale, in dati che non sono solo aperti, ma interconnessi attraverso tecnologie semantiche o anche link ‘tipizzati’, vengono presentati e discussi alcuni casi di studio.
L’idea che sta alla base del percorso di apprendimento è quella di lavorare sull’intero flusso di lavoro orientato alla creazione di LOD, per gestire i diversi livelli del processo. La scelta di un vero progetto scientifico, ovvero Zeri & Lode²¹, è lo strumento immaginato tanto per ragionare sulle diverse tipologie di metadati coinvolti in un’attività orientata alla descrizione di risorse culturali eterogenee (foto e opere d’arte, ma anche lettere, cataloghi d’asta e fondi bibliografici), quanto per simulare un workflow che mostri come da un database relazionale si passi alla realizzazione di un dataset semantico.
Ma prima di arrivare all’analisi di Zeri & Lode, per dare un’idea molto generale di questo approccio ai LOD, il primo caso di studio discusso durante il corso è Europeana.eu. Questo progetto consente di riflettere sul ruolo del Dublin core (DC) come standard comune, ma anche come vocabolario agnostico e trasversale. Il DC fa emergere anche l’importanza di lavorare non solo su una ‘manifestazione’ dell’‘espressione’ di un oggetto culturale, ma su diversi livelli. Attraverso l’approccio FRBR si prende coscienza del fatto che ogni livello richiede i propri standard, strettamente correlati alla tipologia documentaria e alle sue diverse forme comunicative (l’idea di opera, il lavoro sul contenuto, la descrizione di una specifica versione materiale e l’oggetto analogico). Il progetto Europeana LOD²² è utile poi per iniziare a comprendere il principio della produzione di nuovi tipi di dati che ragionino per triple o anche per asserti semantici, e il modello di dati Europeana, l’Europeana data model (EDM)²³, consente di avvicinare alla nozione di ontologia, e di integrazione di modelli ontologici diversi, nella prospettiva LOD²⁴.
Collezioni di vocabolari (ad esempio LOV), repository di LOD (ad esempio Datahub), set di dati (ad esempio il LOD cloud) e progetti nel dominio LODLAM (ad esempio lodlam.org)²⁵, sono riferimenti per ragionare su interscambio semantico, arricchimento e riuso in un mondo fatto di «datasets, value vocabularies e metadata element sets»²⁶.
Un paio di ultime riflessioni sulle modalità di erogazione della didattica e di valutazione del processo di apprendimento.
Il corso si articola in lezioni tradizionali – pensate per garantire l’acquisizione di competenze sugli aspetti teorici della disciplina –, ed esercitazioni di laboratorio – necessarie ad avvicinarsi alla parte pratica del processo –, a cui si affiancano riflessioni sui principi cardine della progettazione e sulle problematiche del lavoro in gruppo.
L’esame finale prevede la discussione di una risorsa esistente nel contesto LODLAM, condotta analizzando caratteristiche e implicazioni teoriche, metodologiche e tecnologiche²⁷ e dalla presentazione di un progetto originale relativo a KO, LOD e LAM. Agli studenti viene chiesto di organizzarsi in gruppi per ideare e realizzare il proprio progetto. Il contributo personale di ciascun membro del team viene valutato durante il colloquio orale, quando viene presentato il lavoro.
La sezione che segue vuole quindi presentare le linee guida per la realizzazione di un progetto nel contesto LODLAM, così come introdotto, e descritto, agli studenti del corso.

Linee guida per un progetto LODLAM

Agli studenti è richiesto di presentare un progetto realizzando un report (preferibilmente una pagina web), in cui dimostrare la capacità di lavorare su un processo tripartito: elaborare un’idea progettuale, scegliere una porzione di dominio e analizzarla (analisi del dominio); elaborare i modelli necessari a descrivere quanto osservato (organizzazione della conoscenza: elaborare i modelli) e quindi produrre dati semantici (rappresentazione della conoscenza: creazione dei dati).
Queste linee guida sono state ideate nei termini di un workflow che, partendo da dati reali, proceda all’astrazione, traduca l’interpretazione della realtà osservata nella concettualizzazione attraverso un modello teorico e che dalla modellazione, come procedimento astrattivo, torni sui dati per la verifica dell’applicabilità del modello stesso, arricchito dall’interpretazione.

Analisi del dominio

- Idea. Il requisito per questa prima fase del lavoro è di enucleare un’idea, che possa ad esempio essere il soggetto di una pagina di Wikipedia – come un personaggio storico, un luogo significativo per una qualche ragione, un concetto, un evento importante o anche una data speciale. L’idea deve essere collegata a differenti tipologie di oggetti del dominio LAM – ad esempio documenti d’archivio, libri, artefatti culturali –, ovvero oggetti capaci, a vario livello e sulla base di diversi tipi di relazioni, di esprimere l’idea. Il suggerimento è di raccogliere tutti gli elementi necessari dalla pagina Wikipedia (dati utili, link esterni, riferimenti bibliografici, riferimenti correlati, controllo di autorità laddove presente) al fine di comprendere come arricchire poi i propri dati con altre risorse esistenti. Se l’idea è troppo estesa, si suggerisce di ridurre il dominio, individuando alcuni concetti chiave dello scenario.

- Scelta degli item. Dopo aver descritto il proprio scenario, si deve passare alla ricerca di almeno dieci differenti item collegati all’idea, cercando di mescolare tipologie documentarie diverse: libri, documenti d’archivio, oggetti materiali (fotografie, mappe, sculture, edifici, manoscritti, sigilli ecc.) in possibili diverse manifestazioni (immagini, audio, video, testi o anche solo metadati descrittivi). Alcuni dettagli utili:

• gli oggetti devono già essere descritti sul web;
• le descrizioni devono provenire dai repertori delle istituzioni di conservazione (ad esempio un libro descritto in OPAC SBN o WorldCat, un manoscritto reperito su Manus, un documento archivistico sul SAN, una fotografia su SIGECweb e più in generale si può ricorrere ai principali aggregatori come Europeana, WDL, CulturaItalia, Internet culturale ecc.)²⁸;
• le descrizioni devono includere informazioni relative a diverse entità potenzialmente coinvolte: persone, luoghi, dati e soggetti o concetti.

Organizzazione della conoscenza: l’elaborazione dei modelli

- Mappa concettuale e modello E/R. Il primo step della modellazione è l’elaborazione di una mappa concettuale, capace di spiegare la propria idea, o anche di rappresentare il proprio scenario. La mappa deve rappresentare i dati reali, così come acquisiti dalle descrizioni degli item individuati, assieme alle possibili relazioni.
Il secondo passo è la traduzione della mappa in un modello E/R (entità, relazioni e attributi) o realizzata usando un altro formalismo (sempre a livello di grafo). Si passa quindi dalla rappresentazione dei dati reali della mappa, alle entità astratte che configurano lo scenario (persone, luoghi, date e soggetti/concetti) e le relazioni fra di esse.

- Analisi degli standard di metadati e allineamento. L’analisi dei metadati deve essere condotta cercando di identificare gli standard, a livello di contenuto e struttura, utilizzati dalle istituzioni che conservano gli item, ed enucleare i descrittori.
Il secondo step è l’allineamento dei modelli. In particolare, si richiede di mappare quei descrittori che riportino informazioni relative a persone, luoghi, dati e soggetti/concetti. DC e DCTerms possono essere usati come guida per definire il set delle categorie per l’allineamento. Gli elementi mancanti da DC possono essere aggiunti quando gli standard in uso dalle istituzioni siano più ricchi ed espressivi.

- Modello teorico. Un passo chiave del processo di organizzazione della conoscenza è quello legato all’interpretazione dei dati, atto inteso come esito dell’osservazione degli item e delle loro relazioni latenti. L’obiettivo di questo step è di produrre un modello teorico, espresso in linguaggio naturale o in pseudo-codice, da cui emergano altri elementi utili a qualificare le proprietà degli item selezionati, proprietà che vadano oltre le descrizioni così come acquisite dagli istituti di conservazione. È possibile riusare le informazioni provenienti dalla voce originaria di Wikipedia e trarre ispirazione, per altri descrittori o predicati, da Wikidata e Dbpedia, ma si consiglia di cercare sul web altre fonti per l’arricchimento dei dati e per la riflessione sulle possibili relazioni fra dati.
In particolare, il modello deve essere in grado di rispondere a determinate questioni, che recuperano la classificazione in persone, luoghi, date e soggetti/concetti come entità base dello scenario:

• Chi (persone). Ovvero, quali informazioni possono essere utili per arricchire la descrizione delle persone. Per esempio, quale ruolo assume una persona nel ciclo vitale dell’oggetto culturale scelto fra i propri item? Quali dati prosopografici possono essere utili per descrivere una persona? Che tipo di relazioni quella persona può avere rispetto ad altre persone o ad altri item del proprio scenario?
• Dove (luoghi). Ovvero, quali informazioni possono essere utili per arricchire la descrizione dei luoghi. Per esempio, può essere utile una geolocalizzazione degli elementi spaziali? Quali possibili declinazioni del concetto di luogo possono essere previste? È il luogo un elemento condiviso da più item, magari con accezioni diverse?
• Quando (date). Ovvero, quali informazioni possono essere utili per arricchire la descrizione del concetto di data. Quanti tipi di date diverse ci sono in un item? Possono esserci altre date utili a descrivere gli item? È la data un elemento chiave per aggregare item diversi?
• Cosa (soggetti/concetti). Ovvero, quali informazioni possono essere utili per arricchire la descrizione dell’item a livello di contenuto trasmesso? Quali sono le parole chiave che identificano l’item, ovvero quali sono i soggetti in grado di descriverlo? C’è un evento in particolare che può essere associato agli item in termini di concetto correlato? Posso aggiungere un codice di classificazione per descrivere il contenuto di un item?

A questo punto è possibile tornare a un livello di astrazione e quindi affinare il modello E/R e creare un nuovo grafo, che sia il risultato dell’interpretazione espressa nel modello teorico, aggiungendo nuove entità, relazioni e attributi, capaci di descrivere l’osservazione arricchita del dominio.

- Modello concettuale. Fatte queste azioni, si può passare dal modello teorico a una rappresentazione formale, ovvero alla concettualizzazione necessaria a stabilire classi e proprietà di una propria ontologia. Il modello concettuale deve riusare schemi, vocabolari e ontologie già esistenti (RDF/RDFS/OWL/SKOS; DC, DCTerms, FRBR, EDM, RDA, OAD, EAC-CPF)²⁹. Il linguaggio naturale o lo pseudo-codice del modello teorico deve essere quindi ripensato in termini di classi e proprietà.
Allo scopo di esprimere l’azione di concettualizzazione si suggerisce di nuovo l’uso di un sistema di formalizzazione a grafo (ad esempio ricorrendo a Graffoo, il «graphical framework for OWL ontologies»)³⁰.

Rappresentazione della conoscenza: creazione dei dati

Una volta completata l’attività di modellazione, è possibile tornare agli item per descriverli sulla base del modello concettuale progettato e implementato.
Può essere prodotta una tabella per ogni item (ad esempio un file CSV), in cui le colonne corrispondono alle triple soggetto/predicato/oggetto (linguaggio naturale per soggetti e oggetti; predicati sotto forma di proprietà come da ontologie scelte) e le righe sono gli statement o anche gli asserti.

- Creazione triple RDF. Primo passo per la creazione delle triple è il naming, ovvero l’identificazione univoca delle entità attraverso URI (anche se le istanze non sono referenziate).
La fase successiva è stabilire i prefissi per le ontologie scelte e scrivere le triple in RDF (in una delle possibili serializzazioni), cercando di collegare le entità e unire negli asserti le diverse lenti di osservazione: persona, luogo, data e soggetto/concetto.
È necessario anche includere collegamenti ad altre entità o concetti correlati, così come ipotizzati nel modello arricchito. Bisognerà prevedere collegamenti alle stesse autorità (owl:sameAs) per i nomi (ad esempio persone, luoghi, soggetti) e collegamenti ad altre risorse significative già presenti nel LOD cloud.

- Visualizzazione triple RDF. Ultima attività prevista è la visualizzazione del knowledge graph realizzato (ad esempio attraverso il tool RDF grapher)³¹ e la sua aggiunta alla documentazione come ultimo atto del workflow.

Un possibile scenario per il workflow LODLAM

Allo scopo di rendere ancora più chiare queste linee guida, viene di seguito accennato un possibile progetto nel settore LODLAM, assieme agli step di processo così come illustrati nella sezione precedente. Con Lease Morgan, ricordiamo che quando si realizza un progetto nel LODLAM:

moving forward with linked data is a lot like touristing to Rome. There are many ways to get there, and there are many things to do once you arrive, but the result will undoubtably improve your ability to participate in the discussion of the human condition on a world wide scale³².

Partiamo quindi da un’idea, definiamo lo scenario, scegliamo gli item, creiamo i primi modelli teorici a grafo, riconosciamo metadati e allineiamo i vocabolari, arricchiamo la nostra osservazione di dominio, elaboriamo il nostro modello concettuale riusando ontologie esistenti e, sulla base di questo modello, scriviamo adeguatamente le nostre triple RDF.

Conclusioni

Già nel 2008 «a mashup culture built on shared resources was already very alive in the world of libraries, archives, and museums»³³. Negli ultimi venti anni, la discussione su LODLAM è diventata un argomento di ricerca interessante per la comunità legata alle scienze del libro e del documento. Il modello LOD come workflow tipico dei KOS, o anche come nuovo strumento di corredo nei sistemi di organizzazione della conoscenza, è una possibile soluzione all’analisi, al ragionamento critico, alla modellizzazione e all’arricchimento di risorse nel settore archivi, biblioteche e musei. Il ruolo delle DH aggiunge significato a questo processo, valorizzando il tema del lavoro a progetto su casi di studio reali in termini di ermeneutica, ovvero individuando nell’interpretazione del patrimonio culturale un possibile percorso di arricchimento semantico alla descrizione delle fonti.
Il corso di KO and CH nel corso di laurea DHDK è un possibile passo nella direzione di un rafforzamento del dialogo tra il mondo della Library and information science e il dominio delle DH.

NOTE