TUHTI-määrittelyn mukainen mallitietokanta

Opetusministeriön muistiossa numero 5/1994 Suositukset tutkimustietokantojen tietosisällöksi ja perustamiseksi on esitetty TUHTI-mallitietosisältö korkeakoulujen tutkimustietokannoille. Mallisisältö on esitetty SGML-määrittelynä. Tätä kirjoittaessa ei kuitenkaan markkinoilla ole SGML-tietokantaohjelmia.

Olen rakentanut TUHTI-tietosisällön mukaisen kokeilutietokannan TRIP-tekstitietokantaohjelmistoon. SGML ja TRIP eivät ole rakenteellisten mahdollisuuksiensa puolesta täysin yhteensopivat. TRIP-tietokanta sisältää lähes kaikki ne tietoelementit, jotka esiintyvät TUHTI-määrittelyssä. Tämä teksti käsittelee TUHTI-määrittelyn mukaisen SGML-dokumentin ja TUHTI-määrittelyä mukailevan TRIP-tietokannan välisten konversioiden ongelmia, ja niiden perusratkaisuja. Ratkaisujen tarkempi tekninen selostus on kirjattu lähdekooditiedostoihin kommentteina. Tämän tekstin tarkoituksena on valottaa muunnoksen yleisiä periaatteita.

Tiedosto triptuhti.def on TUHTIn mukainen TRIP-tietokantamäärittely. Se sisältää lähes kaikki TUHTI:n tietoelementit tavalla tai toisella sisältävän TRIP-tietokatamäärittelyn, tietojen syöttölomakkeiden määrittelyn ja SGML- ja HTML -tulostusformaattien määrittelyt. Tiedoston voi TRIPin IMPORT-komennolla
IMPORT base=tuhti.* file=triptuhti.def
ladata TRIPiin, jolloin käytössä ja muunneltavissa on valmis pohja tutkimustietokannalle. Tietokannasta on myös kommentoitu kenttälistaus, joka selvittää hiukan SGML-dokumentin ja TRIP-tietokannan välisiä suhteita.

Muunnoksen perusongelmat

Konversiossa perustavalta tietosisällöltään yhtenevien tietokantojen välillä perusmekanismi on ilmeinen - muunnetaan lähtötietokannan tietoelementtien tai -kenttien nimet tulostietokannan mukaisiksi. TUHTI-määrittelyn mukaisen SGML-dokumentin (tiedoston) ja TRIP-tiedoston välisessä muunnoksessa tämä ratkaisu kuitenkin jättää ongelmia.

Ongelmien syitä on pohjimmaltaan kaksi:

• SGML sallii samannimisten tietoelementtien määrittelyn eri kohtiin dokumenttia.
• SGML:ssä voidaan elementtejä rajattomasti upottaa toisiinsa (mitä mahdollisuutta TUHTI-määrittelyssä myös on käytetty), TRIPissä tämä ei ole mahdollista.

Ensimmäiseen ongelmaan ei ole yleispätevää ratkaisua, tarvittaessa on konversion kuluessa jouduttu kontekstista päättelemään, mikä samannimisistä TUHTI-elementeistä vastaa mitäkin TRIP-tietokannan kenttää.

Toinen ongelma on yleisesti ratkaistu mahduttamalla samaan TRIP-kenttään useita TUHTI-elementtejä, joiden äitielementtiä kenttä sitten vastaa.

Sääntönä on erottaa tiedot TRIP-tietokannan kentässä pilkulla silloin, kun TUHTI-dokumentissa vastaavassa kohdassa alkaa uusi tietoelementti, ja puolipisteellä silloin, kun sama tietoelementti tai elementtiryhmä toistuu. Ongelmia tässä ratkaisussa tuottavat vapaaehtoiset tietoelementit. Missä TUHTI-määrittelyssä on useita vapaaehtoisia elementtiä peräkkäin, ei voida tietää minkä alkumerkkiä TRIPin kentässä oleva pilkku edustaa.

TRIP-tietokannan tietosisältö verrattuna TUHTI-määritelmään

• Tutkimussopimuksen tiedot sisältlävää TUHTIn tutksop-elementin määrittelyä vastaa TRIPissä kahdesta kentästä muodostettu taulukko, johon kuuluvat kentät ja TSOS johon kirjataan kaikki osapuolet, ja TSKO (sopimuskoodi). osapuolet erotetaan toisistaan puolipisteellä. osapuoli;...;osapuoli.

  
  <!ELEMENT tutksop  - o (osapuoli*, sopkoodi?)>
  
  <!ELEMENT (osapuoli, sopkoodi)
                        - o (#PCDATA)>
  
  

• Suomen- ja englanninkieliset avain- ja asiasanat on jaettu siten, että suomenkieliset avain- ja asiasanat ovat TRIP-toteutuksessa AS-kentässä. Asiasanat merkitään edeltävällä asteriskilla: *asiasana. Englanninkieliset avain- ja asiasanat ovat omassa KW-kentässään, merkintäratkaisu on kuten suomenkielistenkin sanojen kohdalla.
  
  <!ELEMENT avainsan - o (av | as)+>
  <!ELEMENT keywords - o (kw | sp)+>
  <!ELEMENT av, as, kw, sp) - o (#PCDATA)>
  
  
• Kaikki päivämäärätiedot joudutaan kääntämään, koska TRIP haluaa ne järjestyksessä vuosi-kuukausi-päivä, ja TUHTI:ssa ne on määritelty toisin päin.
• Rahoitus on TRIP-tietokannassa määritelty alitietueeksi. TRIP mahdollistaa kussakin tietokantamääritelyssä yhden alitietueen. Alitietueen paikka TRIPin TFORM-syöttömuodoossa on tietueen lopussa, joten muunnoksessa SGML-dokumentista TFORM-muotoon se on siirrettävä sinne omalla ohjelmallaan.

  <!ELEMENT rahoitus - o (rahkausi)+>
  
  <!ELEMENT rahkausi - o (kausi?, menot?, henktkk, rahkerto?)>
  
  <!ELEMENT kausi    - o (vuosi | (alkupvm, loppupvm))>
  
  <!ELEMENT menot    - o (omat?,vieraat?)>
  
  <!ELEMENT omat     - o (perus?, erityis?)>
  
  <!ELEMENT vieraat  - o (antaja, maara, yksikko)+>
  
  <!ELEMENT (antaja, perus, erityis, henktkk, vuosi, maara, yksikko)
                     - o (#PCDATA)>
  
  <!ELEMENT rahkerto - o (#PCDATA) +(pvm | summa | org)>
  
  <!ELEMENT summa    - - (#PCDATA) -(pvm | summa | org)>
  
  <!ELEMENT org      - o (orgnimi, postios?, sijainti?,
                          puh?, fax?, email?, muuta?)>
  
  

• SGML-elementin tutkijat alielementti tyojakso on ongelmallinen. Se sisältää neljä peräkkäistä alielementtiä, joista kolme on vapaaehtoisia. Näistä loppupvm voidaan päätellä sillä perusteella että se on ainoa numeerinen tieto tässä joukossa. Muiden erottamiseen tarvitaan ennaltamäärättyjä esitysmuotoja tiedolle. Olen konversioita tehdessäni olettanut, että kansallisuustieto esitetään jonkin standardin mukaisena maakoodina, jolloin se koostuu kahdesta tai kolmesta isosta kirjaimesta.

  <!ELEMENT tutkijat - o (tutkija)+>
  
  <!ELEMENT tutkija  o o (hlo, oppiarvo?, vuosi?, 
  
                          sukup?, kansal?, tyojakso+)>
  
  <!ELEMENT tyojakso - o (alkupvm, loppupvm?, asema?, maa?)>
  
  

• Julkaisujen käsittelyssä on omat ongelmansa. Julkaisut on TRIP-tietokannassa määritelty taulukoksi, johon kuuluvien kenttien tulkinta riippuu julkaisutyypistä.
  • Julkaisun tyyppitieto on TRIPissä yksi kenttä, JUKP, joka vastaa yhtä viidestä TUHTI:n vaihtoehtoisesta julkaisuelementistä.
  • Kenttä JUTE käännetään joko kirjoittajiksi tai toimittajiksi (kirjassa), tekijöiksi (ATK-tallenteessa), tai keksijöiksi (patentissa). Kaikissa muissa julkaisutyypeissä se sisältää kirjoittajien nimitiedot. Jos kentässä on toimittajien tiedot, se alkaa merkkijonolla toim:
  • Patentin tiedot on asetettu TRIPin kenttiin , JUTE (keksijät), JUOT (patentin nimi), JUTO (patentin haltijat), JUKP (julkaisijamaa), JUKV (myöntämisvuosi) ja JUKP Sisällön kuvaus ja huomautukset.

Konversioiden perusmekanismit

Muunnos TRIP-tietokannasta SGML-dokumentiksi

Määrittelin TRIP-tietokannalle SGML-tulostusformaatin, jossa tietojen järjestys on pääosin sama kuin TUHTI-määrittelyssä. Tämän tulostuksen korjailuun rakensin ohjelmiston, joka muuntaa sen TUHTI-dtd:n mukaiseksi SGML-dokumentiksi.

Muunnos SGML-dokumentista TRIP-tietokantaan