本文所选3O会聚网站以参考文献[1]中提供网站为主要依据,同时拓展到一些国内外科研、数据网站,其基本遴选原则满足:属于科研数据、数据类型丰富、数据更新较快、数据有一定的质量保证、数据为标准格式、数据在法律层面允许被利用且易被利用的开放数据资源。

对遴选的数据资源网站从其所属机构、学科分类、资源类型、数据来源、数据类型、开放方式、开放程度、发布方式与管理模式等方面对网站特性进行总结,具体包括:网站基本特征表、网站数据特征表和网站管理特征表。

(1)遴选网站基本特征.

对于遴选出的网站,按照机构类型、发布数据的学科分布、资源类型、资源来源进行分析,其目的在于了解开放数据的重要机构、开放数据涉及的学科类型以及开放数据的开放内容和数据来源等基本特征。开放数据网站基本特征见附表1,开放获取数据网站以图书馆和特殊机构居多,所属学科以自然科学、综合科学居多,开放获取数据类型以数据类数据居多,开放数据源以自有资源居多,其数量与所占百分比如表1及图1所示:

表1

表1

表1 开放获取网站特性分类统计 统计项 机构类型 学科分类 资源类型 数据来源 政府 大学 图书馆 特殊 机构 其他 自然 科学 社会 科学 综合 学科 数据 解决 方案 工具 自有 资源 合作 资源 第三方 资源 会员 资源 合计 7 9 4 9 12 4 13 29 3 1 20 7 3 3 占百分比 24% 31% 14% 31% 41% 14% 45% 100% 10% 3% 69% 24% 10% 10%

表1 开放获取网站特性分类统计

图1

	Figure Option ViewDownloadNew Window
	图1 开放获取网站特性分布

(2)网站数据类型与开放方式

对遴选出网站开放数据的数据类型及开放方式进行归类,得出网站数据类型及开放方式见附表2。其中,开放获取数据网站数据类型以文献类数据居多,开放数据方式以全文开放加题录信息开放方式居多,其数量与所占百分比如表2及图2所示:

表2

表2

表2 开放获取网站数据类型与开放方式统计 统计项 数据类型 开放方式 期刊 文献 书 新闻 报告 学术 论文 评论 数据 开源 工具 音频 视频 报纸 图片 西文 手稿 地图 乐谱 全文 开放 全文+ 题录开放 合计 27 11 3 7 5 2 8 5 5 3 4 2 4 3 14 15 占百分比 93% 38% 10% 24% 17% 7% 28% 17% 17% 10% 14% 7% 14% 10% 48% 52%

表2 开放获取网站数据类型与开放方式统计

图2

	Figure Option ViewDownloadNew Window
	图2 开放获取数据类型与开放方式

(3)网站数据管理

遴选网站的数据管理方式是数据再利用的重要保证,对网站相关导出方式、使用限制和网站管理规定等网站数据管理特性的调查结果见附表3。其中,开放获取数据网站以允许下载数据和在线浏览居多,对使用权限无限制且对网站有各自的管理规定,其数量与所占百分比如表3及图3所示:

表3

表3

表3 网站数据管理统计 统计项 导出方式 使用限制 在线浏览 下载 原文传递 无访问 限制 注册后可 提交评论 注册后访 问数据 注册并收 费后访问 数据发布 方式 网站管理 规定 合计 18 26 3 28 7 4 6 29 29 占百分比 62% 90% 10% 97% 24% 14% 21% 100% 100%

表3 网站数据管理统计

图3

	Figure Option ViewDownloadNew Window
	图3 数据管理统计

开放获取资源多是以期刊文献为主的开放数据获取平台,表2列出了29种开放获取数据平台中的14种常见数据类型,其中主要以期刊文献、图书及数据类数据居多。截至2013年3月底,DOAJ的开放获取期刊有8 750种,文献高达11 033 006篇^{[ 2]},HighWire 中共有1 767种期刊,7 067 175篇文献^{[ 3]}。PLOS ONE统计的1993年至2009年开放期刊出版发展状况显示,开放期刊年增长率达18%,开放论文年增长率达30%^{[ 4]};Laakso等^{[ 5]}指出,2011年开放获取论文在科技论文中所占比例已达17%,而且这一比例正以每年增长1%的速度增加”。Directory of Open Access Books(DOAB)已拥有来自48个数字图书馆出版社的1 408种学术著作^{[ 6]}。以科学数据为资源的开放获取平台犹如雨后春笋般迅猛增加,构建于2010年的数据堂网站,截至2013年3月底,已有数据集42 492组^{[ 7]}。Inter-University Consortium for Political and Social Research(ICPSR)维护500 000多个社会科学研究的数据存档文件^{[ 8]}。

开放获取的目的之一是为满足用户能够在网上很方便地获取自己所需的数据。因此,对数据的覆盖面、数据的学科类别、内容的质量保障、研究的深度和广度、更新的时间与速度等都提出了较高的特性要求。

(1)学科覆盖特性

由表1可见,本文涉及的学科分类主要包括自然科学、社会科学和综合学科三个方面。笔者关注的DOAJ数据开放平台覆盖的学科包括农业与食品科学、艺术与建筑、生物与生命科学、商业和经济学、化学、地球与环境科学、健康科学、语言与文学、法律政治学等共18个学科^{[ 9]};BASE包括法律、商业、人文等99个学科分支^{[ 10]}。开放获取的数据学科覆盖面广,但在学科类别上有较大的差异,开放的数据以理工科为主,其次是社会科学类。Open Science Directory根据学科对开放获取期刊分类,理工科的期刊为16 233种,占所有期刊的63.08%,文科类的为9 148种,占35.54%,其余为艺术类期刊,仅占1.38%^{[ 11]};国家图书馆开发的开放存取网站导航平台现有的101个开放获取平台中,共含有文科类数据的平台有11个,1个平台含有艺术类数据,其余平台只含有理工科资料^{[ 12]}。

(2)语种覆盖特性

开放获取数据覆盖的语言种类高达近200种,但都以英语数据为主。许多平台如 The Royal Society、BioMed Central(BMC)、American Chemical Society(ACS)、Project Euclid等出版机构的所有出版物均为英语数据;美国国会图书馆开放获取的资源覆盖语种共198种,其中英语数据记录占所有资料的77.96%^{[ 13]};DOAJ中数据共有语言种类20余种,其中英语数据的比例约为50%^{[ 14]};The Registry of Open Access Repositories平台下的子平台Organic Eprints中数据共含有17种语言类型,其中英语占44.15%^{[ 15]};BASE中数据共覆盖了100种语言,其中英语占44.13%^{[ 10]};J-STATE中包含日语和英语两种语言,其中英语占所有数据记录的38.33%^{[ 16]};Socolar中数据也以英文为主。

(3)数据类型覆盖特性

目前,开放获取数据类型各异,主要包括期刊文献、书、视频、音频、评论、图片、地图、乐谱、数据、软件、西文手稿等多种类数据,并以开放获取期刊文献为主的平台占多数,且综合类型数据的平台中期刊文献的数量在所有资源中占有很大的比重。在国家图书馆的开放存取导航平台上,101个开放获取平台中的98个平台都与期刊论文相关^{[ 12]}。PLOS ONE、BMC、DOAJ等许多平台仅开放学术论文,另外有多种类型数据的开放数据获取平台如BASE、Organic Eprints、The Organisation for Economic Co-operation and Development(OECD)等,相对于其他类型文献而言,期刊文献占有较大的比重,BASE中期刊文献占全部数据记录的19.03%^{[ 10]},Organic Eprints 中共含19种类型的数据记录,其中期刊文献占20.69%^{[ 17]}。

(4)时间覆盖特性

开放获取平台不仅收录正在出版的最新数据,还不断将早期没有电子存档的资料进行整理加工,扩充开放获取资源的回溯时间。目前,最早的开放存取数据出现在美国国会图书馆:公元138年的一本书^{[ 18]}。Organic Eprints中最早的数据起自公元200年^{[ 19]};大英图书馆最早的开放获取数据为1001年-1400年之间^{[ 20]};英国皇家学会最早的开放获取数据出自于1660年的传记记录^{[ 21]};BASE平台开放存取的数据从1880年至今^{[ 10]};arXiv.org e-Print Archive、ETH E-Collection: Swiss Federal Institute of Technology 中最早数据记录起始于1991年^{[ 22]}。需要指出的是,对于早期数据的回溯,其加工后的回溯数据在阅读清晰度、内容模块化、标引规范化等方面和近期出版的数据相比有一定的差距,比如在早期的报纸的回溯利用方面,用户只能查看报纸的照片。

开放获取数据相对于传统出版物,出版速度更快,内容更新更快。PLOS ONE每天出版文章,当准备出版某篇文章时,这篇文章就可以在线获取^{[ 23]};BMC通过在Public Med Central(PMC)上立即更新原创性研究资料来保证开放获取数据能够很快被用户利用,BMC还正在试验预印本的开放获取^{[ 24]};DOAJ^{[ 25]}、BASE^{[ 26]}等以第三方和合作资源为主的平台通过OAI-PMH协议自动收割数据源中的新数据,保证平台在数据出版的第一时间被用户使用;英国政府还在继续研究如何能够更快速出版开放获取数据^{[ 27]}。

在几个重要的开放获取期刊文献平台中,开放获取期刊目录这一类平台(包括DOAJ)中都对收录的期刊质量有严格的把关,每个期刊都需要有同行评审或者透明的编辑委员会^{[ 25]};PMC收录的文章都是经过同行评议的^{[ 28]};HighWire提供的资源都是具有高影响力的期刊文献^{[ 29]};截至2013年3月底,共有开放获取期刊250种的BMC,其中具有期刊影响因子的期刊有121种,可以被路透社检索到的期刊有28种,具有SCI Mago期刊排名的期刊有25种^{[ 30]};American Mathematical Society(AMS)出版的期刊是数学研究中质量最高的同行评议期刊^{[ 31]};DOAB收录的所有的书都要求是经过同行评议的著作^{[ 32]}。英国政府的《开放获取白皮书》提出了一系列控制数据质量的措施,要求发布的数据要可靠、容易获取^{[ 27]}。开放获取领域还在不断研究能够控制开放获取数据质量的方法和措施。各个开放获取平台对数据质量的要求比较严格,总体质量较高。

数据的高开放度指开放获取数据平台中数据所具有的较高的开放程度。数据的开放程度越高,也就意味着用户能够获取的资源越充分。常见的开放数据的开放程度包含三类:全文开放、题录信息开放和目录信息开放,开放度以全文开放高于题录信息开放、题录信息开放高于目录信息开放为主要特征。在开放获取数据平台中,哪些数据开放到哪一种程度,通常由作者、机构或者平台建设者按数据类型、期刊、学科以及时间的时效性等来确定。

表2所示的3O会聚开放获取平台中,全文开放数据占有极大的比重,例如PLOS ONE、Bioline International、BMC等平台中所有数据均全文开放;BASE平台数据中约有75%为全文开放获取,其他的数据为目录开放或者是被特定数据源授权的情况下进入^{[ 26]}。DOAJ中57.79%的数据都是全文开放获取的,其余的为期刊目录开放^{[ 2]};The Committee on Data for Science and Technology(CODATA)开放CODATA数据科学期刊的全文数据,书籍和专著开放题录信息^{[ 31]};瑞士图书馆中全文开放的数据仅限于瑞士历史、瑞士文学、瑞士艺术和建筑、图书馆和信息科学4个领域,且只能在图书馆内的开放获取媒体上获得,BSH学科和电子目录都是题录信息开放^{[ 34]};AMS共出版8种研究型期刊,开放4年以前的期刊文献的全文数据,近4年的数据仅开放题录信息^{[ 31]}。总体而言,开放获取数据中全文开放的数据占有更大的比例,而且越来越多的出版商意识到数据开放的重要性,正在不断地提高开放期刊的数量和开放程度。

由表2和表3可看出,开放获取已不仅仅停留在以简单的数据呈现方式向用户提供数据服务的层面,而是通过制定标准的数据描述格式和规范的数据获取协议等,不仅在政策和技术方面允许、引导和鼓励用户对数据进行再次利用,也为客户端创新提供了良好的技术支撑。这种开放获取数据的3O会聚特性,可减少科技创新中数据的壁垒和商业使用数据的成本,提高客户端创新能力,推进数据资源的高效利用。

(1)数据集呈现特性.

以数据集为单元的数据资源呈现方式,为用户提取和利用其所需的某一类数据提供非常有效的途径。表1所述的29种开放获取平台中按照不同的分类方式(包括学科、时间、国家、语言、开放程度、数据出处)进行数据集成,并以数据集方式赋予独立的URL,方便用户根据自己的需求有针对性地整合资源、呈现数据,以满足读者方便查阅和大批量数据调用。如Maney提供数据类型、学科分类等不同的数据集,HighWire提供学科、类型、出版商等多个数据集,DOAJ提供学科、国家、许可协议等数据集。终端用户可通过集成技术,对各开放数据资源提供的数据集进行应用集成,构建一站式集成数据检索平台,实现客户端创新模式下的数据再利用。

(2)低版权约束特性.

表3所示的开放获取数据均具有低版权约束特性,这些特性可高度支持开放数据的再利用。通常来说,开放获取数据都遵循“创作共同协议(Creative Commons License)”^{[ 35]},与机构知识库仅支持免费阅读的情况大为不同的是:开放获取数据不仅支持免费阅读,还支持用户对数据进行挖掘、生成衍生作品等。目前创作共同协议共有6种:署名(CC BY)、非商业性使用(CC BY NC)、禁止演绎(CC BY ND)、相同方式共享(CC BY SA)、非商业使用且禁止演绎(CC BY NC ND)、非商业使用且以相同方式共享(CC BY NC SA)。在现有的开放获取数据中,每个平台采用的知识共享协议不同,BMC、CODATA都是遵循CC BY协议,The Royal Society 采用CC BY SA协议,The Open Society Foundation采用CC BY NC协议。但采用CC BY和CC BY ND协议的数据相对较多,据2013年4月的统计数据,DOAJ中使用CC BY协议的出版商占50.96%,使用CC BY NC协议的占20.04%^{[ 36]}。

(3)技术支持特性.

以HTTP为基础的开放档案获取协议(Open Archives Initiative Protocol for Metadata Harvesting, OAI-PMH),突破了开放档案协议(Open Archives Initiative,OAI)仅在学术性电子期刊预印本的互通性检索方面的应用,是一个能够在分布式网络化环境中获取元数据信息的标准化协议,该协议的应用促使了以第三方资源或者合作资源为主的开放获取平台的快速发展,如DOAJ、HighWire、Open J-Gate,这类平台通过自动收割符合该协议标准的数据如XML文档,将收割到的元数据存储在自己的元数据库中供用户查询和使用。该技术的使用大大提高了数据源中数据的复用率,增加了数据的影响力。

(4)数据格式标准化特性.

数据格式的标准化对于数据能否再次利用、利用率的高低起着关键的作用。《开放获取白皮书》中提及根据Berners-Lee 提出的“五星模型”来评价数据再利用程度^{[ 27]}。“五星模型”是Berners-Lee^{[ 37]}在2009年为了鼓励数据拥有者尤其是政府数据拥有者,更好地评估开放数据的可利用程度而提出的星级模型。在该星级模型下,只要信息是公开的就可以是一星级,甚至是有开放协议的一个扫描的传真表的照片。当星级越高,即星星的数量越多时,则用户在使用数据的过程中更容易和有效,各星级数据的区分标准如表4所示:

表4

表4

表4 五星模型 等级 格式 许可 ★ 数据可在网上利用(任何格式) 开放许可 ★★ 提供结构化数据(如Excel 而不是表的图片格式) 开放许可 ★★★ 提供开放的、非专有的格式(如CSV或者XML而不是Excel) 开放许可 ★★★★ 除使用开放格式,还要利用统一资源定位器(URL)借助于W3C开放标准和建议来加以确认,从而其他人可以找到你所提供的资料 开放许可 ★★★★★ 除使用开放格式和使用URL辨别资料外,还要将数据关联到他人的数据中提供预警关系 开放许可

表4 五星模型

数据的高可计算性,可以高效地衍生出知识的可计算性,从而支撑各种数据整合与情报服务。表1中的开放获取数据平台中生物医学或化学等领域,大部分文献具有良好的数据结构,为数据计算性提供的基础环境如事实数据库、本体、专业词汇表和词汇映射和类似的工具已经广泛存在^{[ 38]},如BMC的案例研究库、OECD的词汇库等。PLOS ONE、Hindawi通过对文献中的图、表等知识对象进行独立的定义和标注,实现从源头上支持数据的结构语义化。由此可见,不同的数字化媒介提供了数据资源的数据解析、数据描述、数据关联、数据组织、数据计算和数据开放交互,为知识计算和客户端创新提供更大的发展空间。通过对开放获取数据进行结构化处理,对其中的知识对象及其关系进行细粒度标注,运用语义关联化技术和计算机技术,对开放数据进行解析、关联和计算,可实现重要领域研究机构、重要文档资源、重要对象和主题的即时发现、汇集与跟踪,发现并汇集领域最新动态、研究热点、对象与主题等知识再组织与利用。