Content from Getting Started

Last updated on 2025-05-22 | Edit this page

Overview

Questions

  • What does digitalisation mean for the humanities?
  • How is digitalisation changing the humanities?

Objectives

After completing this episode, participants should be able to

  • providing a basic explanation of the theoretical and methodological implications of working with data.

Content from Data

Last updated on 2025-05-22 | Edit this page

Overview

Questions

  • What is data in the humanities?
  • What are the distinctions between different types of data?

Objectives

After completing this episode, participants should be able to

  • differentiate between analogue data, digitised data, and born-digital data,
  • understand how data is categorized, collected, and utilized within humanities research,
  • explore the implications of different data types for different research methods and outcomes.

Content from Metadata

Last updated on 2025-05-22 | Edit this page

Overview

Questions

  • What is metadata?
  • What are major types of metadata?

Objectives

After completing this episode, participants should be able to

  • understand metadata basics,
  • differentiate metadata from data,
  • differentiate the major types of metadata,
  • apply metadata concepts to practical challenges,
  • recognise the role of metadata in the humanities.

Content from Speichern und Verarbeiten von Metadaten

Last updated on 2025-06-30 | Edit this page

Overview

Questions

  • In welchen Formaten können Daten und Metadaten strukturiert gespeichert werden?
  • Was ist eine CSV-Datei und wie ist ihr Inhalt aufgebaut?

Objectives

Nach Beendigung dieser Episode sollten Teilnehmende in der Lage sein

  • die Grundstruktur eines CSV-Formats zur Speicherung und Verarbeitung von Metadaten zu beschreiben,
  • eine einfache CSV-Datei zu öffnen und zu untersuchen,
  • die wichtigsten Unterschiede zwischen einer CSV-Datei und einer Excel-Datei zu bennen.

Einführung in Dateiformate für Metadatenspeicherung und -verarbeitung

Frage

Kennen Sie Formate, in denen man Daten strukturiert speichern kann?

Eine einfache Möglichkeit stellen die Tabellenblätter in einem Tabellenkalkulationsprogramm dar.

Um Metadaten zu speichern und sie in anderen Kontexten nutzbar zu machen, sind geeignete Formate erforderlich. Die gängigsten Dateiformate für die Speicherung von Metadaten sind XML und JSON. Viele Daten werden auch in dem bekannteren CSV-Format gespeichert, wie ein Beispiel aus der Praxis später zeigen wird.

Interoperabilität

Der Vorteil der Verwendung eines solchen Formats ist die Interoperabilität der Daten. Das bedeutet, dass die Daten von einer Person erfasst und gespeichert werden, aber an anderer Stelle geöffnet, verarbeitet oder mit anderen Daten zusammengeführt werden können.

Aufgabe

Öffnen Sie die Dateien artworksShort.csv und artworksShort.xslx in einem Tabellenkalkulationsprogramm Ihrer Wahl.

  • Was fällt Ihnen auf?
  • In welcher Form liegen die Daten vor?
  • Welche Vorteile hat diese Art der Erfassung von Daten?
  • Warum sind diese Daten interoperabel?
  • Beim Öffnen der CSV-Datei werden mehrere Parameter abgefragt.
  • Einige Daten in der XSLX-Datei sind mit Farben sowie fett- und kursivgedrucktem Text formatiert. Dies ist in der CSV-Datei nicht zu finden.
  • Die Daten liegen in tabellarischer Form vor.
  • Die Daten sind in einzelnen Zellen erfasst.
  • Die Inhalte sind durch Überschriften in der ersten Zeile kategorisiert.
  • Die Daten liegen in einem digitalen Dateiformat vor, das bearbeitet und weitergegeben werden kann.

Das CSV-Format

Das CSV-Format (comma-separated values) in diesem Beispiel wird normalerweise als Tabelle in einem Tabellenkalkulationsprogramm wie Excel geöffnet, damit es von Menschen strukturiert gelesen werden kann. Wenn Sie das Format in einem Texteditor öffnen, erkennen Sie die Struktur der Datei:

ID;artist;title;date
1;Salvador Dalí;The persistence of memory;1931
2;Walker Evans;Allie Mae Burroughs, Wife of a Cotton Sharecropper, Hale County, Alabama;1936
3;Frida Kahlo;Roots;1943
4;Käthe Kollwitz;Mother with Child over her Shoulder;Before 1917
5;Berthe Morisot;The psyche mirror;1876
1;Georgia O’Keeffe;Sky above clouds IV;1965
3;Banksy;Girl with Ballon;2002

In dem Moment, in dem Sie die CSV-Datei in einem Tabellenkalkulationsprogramm geöffnet haben, wurden einige Parameter abgefragt, bevor Sie die Inhalte angezeigt bekommen haben. Hier ist der Grund dafür:

Die Daten in dieser speziellen CSV-Datei sind durch Semikolons – die so genannten Trennzeichen oder delimiter – getrennt. Die meisten Dateien, die Trennzeichen jeglicher Art nutzen, erhalten oft die Erweiterung .csv, auch wenn das Trennzeichen kein Komma ist, wie das vorliegende Beispiel zeigt. In vielen Dateien finden Sie den Inhalt der Datenfelder in Anführungszeichen eingeschlossen, wenn Sie die Datei in einem Editor öffnen. Dies sieht man in einem Tabellenprogramm nicht. Die einzelenen Datensätze stehen meist in einer Zeile und werden durch einen Zeilenumbruch getrennt. Oft definiert die erste Zeile die Spaltenüberschriften. Werden diese Parameter beim Öffnen der Datei korrekt eingegeben, werden die Daten in die entsprechenden Felder des Tabellenkalkulationspogramms übertragen.

Unterschied zwischen CSV- und XSLX-Dateien

Mit einem XSLX-Format können Sie Daten in mehreren Tabellenblättern, die in einer einzigen Datei gespeichert sind, speichern. Die Daten sind in Zellen organisiert, die in Zeilen und Spalten angeordnet sind. Sowohl die Zellen als auch die darin enthaltenen Datenwerte können formatiert werden, einschließlich Schriftarten, Farben und Rahmen. Die Daten können mit integrierten Funktionen bearbeitet werden, z. B. für Berechnungen oder Analysen. Es ist auch möglich, die analysierten Daten in Tabellenkalkulationsprogrammen wie Excel zu visualisieren.

Einer der Nachteile ist die begrenzte Anzahl von Zeilen und Spalten - zum Beispiel 1.048.576 Zeilen und 16.385 Spalten pro Arbeitsblatt, abhängig von der Softwareversion. Auch andere Funktionen können von der Softwareversion abhängen. Ältere Tabellen werden in der neuesten Version aufgrund mangelnder Kompatibilität der Funktionen möglicherweise nicht immer korrekt angezeigt.

Das CSV-Format (comma-separated values) speichert tabellarische Daten in einfachem Text, der in Tabellenkalkulationsprogrammen geöffnet werden kann. Es ist daher sowohl von Menschen als auch von Maschinen lesbar. Es wird immer nur eine Tabelle in einer einzigen Datei gespeichert. In diesem Textformat können jedoch mehr Daten in einer Datei gespeichert werden, was es besonders effizient macht. Zudem werden keine überflüssigen Daten wie Formatierungsdaten gespeichert. Daher eignet es sich für die Speicherung und den Austausch von größeren Datenmengen zwischen Anwendungen oder Datenbanken.

Einer der Nachteile ist, dass in diesem Format nur einfache tabellarische Daten gespeichert werden können, nicht aber Daten mit komplexeren Strukturen.

Datenorganisation

Bei der Erfassung von Daten in Tabellen gibt es eine Reihe von Aspekten zu beachten, damit die Daten korrekt verarbeitet werden können. Neben den oben erwähnten kommagetrennten Feldern, die Probleme verursachen können, gibt es noch viele andere Probleme. Datumsangaben oder Namen sind eine große Fehlerquelle. Unterschiedliche Schreibweisen können zu Fehlinterpretationen führen. Wie interpretieren Sie zum Beispiel das Datum 25-01-11, wenn es in einem einzigen Feld steht? Oder: Welcher Teil des Namens einer Person ist der Vorname und welcher Teil ist der Nachname?

Daher ist ein wichtiger Teil bei der Erfassung von Metadaten die Annotierung, d.g. die korrekte Auszeichung der Daten. Nehmen Sie Walker Evans als Beispiel: Wenn Sie ihn als „Künstler“ oder „Fotograf“ kennzeichnen, können die Benutzer die Rolle im Kontext des Datensatzes verstehen.

Wenn Sie Datumsangaben in einer Tabelle erfassen, kann es sich lohnen, Jahr, Monat und Tag in separate Felder aufzuteilen, um das oben beschriebene Problem zu vermeiden.

Callout

Sie finden weitere Informationen zur Organisation von Daten in der Lektion Data Organization in Spreadsheets for Social Scientists

Es gibt bestimmte Datenformate, die einige der hier genannten Probleme lösen. So zum Beispiel durch die Nutzung einer Auszeichnungssprache (Markup Language). Auszeichnungssprachen werden zur Strukturierung und Formatierung von Text und Daten in maschinenlesbarer Form verwendet. Sie beruhen auf einer Metasprache namens SGML (Standard Generalized Markup Language). SGML ist ein Standard für Auszeichnungssprachen. Sie legt fest, wie die Syntax (Regeln) für Elemente, Attribute und die Dokumentstruktur in einer Auszeichnungssprache zu definieren ist. In der Episode zu XML erfahren Sie mehr dazu.

Key Points

  • Wenn Sie die Daten und die Tabelle formatieren oder Daten mit der Software analysieren wollen, verwenden Sie das XSLX-Format zum Speichern, Formatieren und Analysieren der Daten.
  • Wenn Sie die Daten nicht analysieren oder visualisieren müssen oder sehr große Datenmengen haben, verwenden Sie ein Format wie CSV, um die Daten zu speichern oder weiterzugeben.
  • Es ist hilfreich die Daten bei der Erfassung zu annotieren, zum Beispiel durch Überschriften zu kennzeichnen.
  • Seien Sie sich der Probleme bewusst, die entstehen können, wenn Sie zum Beispiel Datums- oder Namensangaben erfassen und machen Sie sich vorab Gedanken, welche Form für Ihre Zwecke geeignet sein könnte.

Content from XML

Last updated on 2025-05-22 | Edit this page

Overview

Questions

  • What is XML?
  • What are the elements of XML?
  • How do you annotate data in XML?

Objectives

After completing this episode, participants should be able to

  • describe the XML format for storing and processing metadata,
  • name syntax rules for a well-formed XML file,
  • investigate the structure of a simple XML file,
  • write extracted metadata in a simple XML format.

Content from Einführung in Metadatenstandards, -schemata und -modelle

Last updated on 2025-06-30 | Edit this page

Overview

Questions

  • Was ist ein Metadatenstandard?
  • Was ist ein Metadatenschema?
  • Was ist ein Modell?

Objectives

Nach Beendigung dieser Episode sollten Teilnehmende in der Lage sein,

  • die Begriffe Metadatenstandard, Metadatenschema und Metadatenmodell zu erläutern,

Standard, Schema oder Modell?

Die Begriffe Metadatenstandard, Metadatenschema und Metadatenmodell werden oft synonym verwendet. Im Folgenden wird versucht, zwischen den Begriffen zu differenzieren. Es muss jedoch betont werden, dass dies kein universeller Anspruch ist; vielmehr soll es ein besseres Verständnis der Strukturen der Datenstandardisierung ermöglichen, da es keine allgemein akzeptierten Definitionen dieser Begriffe gibt.

Metadaten-Standard

Ein Metadatenstandard ist eine technische Spezifikation, die beschreibt, wie Daten erfasst oder strukturiert werden sollten. Es gibt verschiedene Möglichkeiten, Daten zu standardisieren. Zwei der wichtigsten Konzepte werden in dieser Lektion vorgestellt. Zum einen wird jedes Element oder Datenfeld eindeutig benannt (z. B. Autor, Titel usw.) und kann durch Regeln in Form von Attributen (z. B. Datentyp) spezifiziert werden. Andererseits kann eine Struktur für die Erfassung der Daten in Form von Gruppen oder Kategorien definiert werden, z. B. administrative, technische und beschreibende Metadaten. Beide Methoden liefern eine grundlegende Beschreibung und Organisation der Daten und standardisieren sie dadurch. Natürlich ist auch eine Kombination der beiden Methoden möglich.

Für verschiedene Themen und Fachgebiete gibt es unterschiedliche Standards. Damit wird sichergestellt, dass z.B. die Regeln für die Erfassung von Daten in einem Archiv oder einer Bibliothek berücksichtigt werden. Das Provenienzprinzip in Archiven oder das Pertinenzprinzip in Bibliotheken lassen sich auf diese Weise abbilden.

Beispiel

Struktur der Metadaten:

  • Administrative Metadaten
  • Beschreibende Metadaten
  • Strukturelle Metadaten
  • Technische Metadaten

Metadaten-Elemente:

  • Ersteller
  • Herausgeber
  • Datum
  • Rechte
  • Paginierung
  • Dateiformat
  • Titel

Metadatenelemente innerhalb einer Struktur:

  • Administrative Metadaten
    • Herausgeber
    • Rechte
  • Beschreibende Metadaten
    • Ersteller
    • Datum
    • Titel
  • Strukturelle Metadaten
    • Paginierung
  • Technische Metadaten
    • Dateiformat

Metadaten-Schema

Ein Metadatenschema wird meist zur Strukturierung von Daten in einem bestimmten Kontext verwendet, und es gibt unzählige Standards für jede Disziplin oder einen spezifischen Zweck. Während der Entwicklungsphase der Datenstruktur kann zudem ein vorhandener Metadatenstandard integriert werden. So wird der, in der folgenden Episode behandelte, Dublin Core Standard oft als Grundlage genutzt, um dessen Felder in ein spezifisches Modell zu übernehmen.

Stellen Sie sich vor, Sie möchten das Foto eines Gebäudes beschreiben. In den Metadaten haben Sie ein Element namens „creator“. Welchen Namen würden Sie hier eingeben? Den des Fotografen oder den des Architekten? Hier können Sie „Rolle“ als Metadatenelement hinzufügen, um den Kontext der personenbezogenen Daten weiter zu beschreiben. Möglicherweise möchten Sie auch die Daten für das Foto und das abgebildete Gebäude getrennt strukturieren, um die Informationen korrekt anzuzeigen. Ein Schema kann eine benutzerdefinierte Struktur oder die Hierarchie einer Sammlung abbilden sowie Datenfelder für bestimmte Themen definieren. Ein Schema stellt die Daten also in einen gewünschten Kontext und legt die Beziehungen zwischen den enthaltenen Informationen fest.

Konzeptionelles Modell

Konzeptionelle Modelle, auch semantische Datenmodelle genannt, sind in der Regel Abstraktionen von realen Entitäten. Sie werden verwendet, um die Daten einer Sammlung oder eines spezialisierten Bereichs auf abstrakte Weise formal zu erfassen. Ein Beispiel für ein solches Modell ist das Entity-Relationship-Modell, das die Beziehung zwischen zwei Datenentitäten beschreibt. Zum Beispiel kann die Beziehung zwischen der Entität des Autors „Franz Kafka“ und der Entität des Buches „Der Prozess“ durch die Beziehung „hat geschrieben“ definiert werden.
Der Vorteil dieser Beziehung ist, dass sie eine flexible Verknüpfung von Daten ermöglicht. Darüber hinaus kann die Entität „Buch“ mit der Entität “Verlag” über die Beziehung „hat veröffentlicht“ verknüpft werden.

Abbildung der Entitätsbeziehungen in einem konzeptionellen Modell, mit Triples zur Verknüpfung von Daten
Entitätsbeziehungen für ein konzeptionelles Modell

Im konzeptionellen Modell werden die Daten in Form von Tripeln modelliert. Ein Tripel besteht aus einem Subjekt, einem Objekt und einem Prädikat. Das Prädikat beschreibt die Beziehung zwischen dem Subjekt, der zu beschreibenden Entität, und dem Objekt (der mit dem Subjekt verbundenen Entität):

Autor (Subjekt) hat geschrieben (Prädikat) Buch (Objekt).

Ein Objekt kann das Subjekt eines anderen Tripels werden und umgekehrt, wie das obige Beispiel zeigt.

Dieser Ansatz wird hauptsächlich im Semantic Web verwendet, wo er als Grundgerüst für verknüpfte offene Daten (Linked Open Data) dient. Linked Open Data (LOD) zielen darauf ab, ein Höchstmaß an Verknüpfung zwischen Datensätzen zu erreichen. Entitäten werden in diesem Zusammenhang mit eindeutigen Bezeichnern in den Metadaten versehen, die wiederum Entitäten darstellen, die über eigene Metadaten verfügen. Zur Veranschaulichung: Eine Entität kann durch ihren Bezeichner im Kontext der Wissensdatenbank der Wikimedia Foundation, bekannt als “Wikidata”, beschrieben werden. Durch die Herstellung dieser Verknüpfungen werden die in diesem Zusammenhang verfügbaren Daten indirekt genutzt. Wie dies praktisch aussieht, erfahren Sie in der Episode zu RDF.

Content from Metadata Encoding & Transmission Standard (METS)

Last updated on 2025-07-02 | Edit this page

Overview

Questions

  • Was ist der Metadata Encoding & Transmission Standard?
  • Welches sind die wichtigsten Elemente des Standards?

Objectives

Nach Beendigung dieser Episode sollten Teilnehmende in der Lage sein

  • die wesentlichen Konzepte des Metadata Encoding & Transmission Standards zu beschreiben,
  • die wichtigsten Elemente zur Strukturierung von Daten in METS zu benennen.

Content from Dublin Core Metadaten Standard

Last updated on 2025-06-30 | Edit this page

Overview

Questions

  • Was ist das Dublin Core Metadata Element Set (DC)?
  • Was ist der Unterschied zwischen einfachem und qualifiziertem Dublin Core?

Objectives

Nach Beendigung dieser Episode sollten Teilnehmende in der Lage sein

  • die wichtigsten Elemente des Dublin Core Metadata Element Set zu identifizieren,
  • zwischen einfachem und qualifiziertem Dublin Core zu unterscheiden,
  • einfach Metadaten im Dublin Core Standard zu erfassen.

Dublin Core Metadata Element Set

Der Dublin Core ist ein einfacher Metadatenstandard. Er wurde 1998 erstmals von der Dublin Core Metadata Initiative veröffentlicht. Die einfache Version des Standards besteht aus den folgenden 15 Kernelementen zur Beschreibung einer Ressource:

  • Contributor
  • Coverage
  • Creator
  • Date
  • Description
  • Format
  • Identifier
  • Language
  • Publisher
  • Relation
  • Rights
  • Subject
  • Title
  • Type

Im Gegensatz zu anderen Metadatenstandards oder Schemata können die Felder der Kernelemente in beliebiger Reihenfolge und mehrfach erscheinen. Zudem sind sie alle optional. Dublin Core definiert die Metadatenfelder selbst, jedoch nicht deren Struktur, weshalb es oft mit Strukturierungsstandards wie METS kombiniert wird.

Übung

Sie haben ein Foto von Johan Hagemeyer. Es trägt den Titel „Albert Einstein, Pasadena“. Darauf ist Albert Einstein zu sehen. Es wurde im Jahr 1931 aufgenommen und im Jahr 1962 an das Museum ausgeliehen. Das Foto stammt aus dem Nachlass des Fotografen. Albert Einstein lebte von 1879 bis 1955 und war zum Zeitpunkt der Aufnahme 52 Jahre alt. Der Fotograf Johan Hagemeyer lebte von 1884 bis 1962 und das Foto wurde in Pasadena aufgenommen. Der Aufnahmeort ist New York. Das Foto misst 24,6 × 18,7 cm. Das Passepartout hat die Maße 45,6 × 35,4 cm.

Sie finden das Objekt in der MET collection. Schauen Sie sich die Spezifikationen auf der Webseite an, wenn Sie sich unsicher sind, wie Sie die Daten erfassen können.

Welche Information würden Sie in den Felder der 15 Kernelemente wie erfassen? Machen Sie sich ebenso Gedanken, warum Sie Felder auswählen oder nicht. Fehlen Ihnen Informationen um alle Felder auszufüllen? Wenn ja, welche und warum?

Diskutieren Sie in kleinen Gruppen.

  • contributor: MET (als verwahrende und verwaltende Institution)
  • coverage: New York (als Ort der verwahrenden und verwaltenden Institution)
  • creator: Johan Hagemeyer (als Fotograf)
  • date: 1931 (als Einreichungsdatum beim MET)
  • description: portrait of Albert Einstein
  • format: 24.6 × 18.7 cm (Foto) oder 45.6 × 35.4 cm (Gesamtgröße)
  • identifier: ?
  • language: en (RFC 4646 standard)
  • publisher: MET
  • relation: andere Fotografien von Johan Hagemeyer oder andere Bilder mit ähnlichem Inhalt
  • rights: © 2013 Jeanne Hagemeyer – All Rights Reserved
  • source: ?
  • subject: portrait, Albert Einstein
  • title: Albert Einstein, Pasadena
  • type: Gelatinesilberdruck

Dies ist eine von mehreren möglichen Lösungen.

Diskussion

Was haben Sie diskutiert? Was waren die Herausforderungen bei der Zuordnung?

Haben Sie darüber diskutiert, welches Datum in das date-Feld gehört? Woher wissen wir nun, welches Datum genau gemeint ist? Das Datum der Erstellung des Objekts, das der Digitalisierung, der Veröffentlichung oder das der Übermittlung an die Institution?

Die ursprünglichen Kernelemente von Dublin Core wurden erweitert, um solche und andere Informationen über die Daten zu präzisieren.

Qualified Dublin Core

Zunächst wurden Qualifier eingeführt. Ein Qualifier erweitert ein einfaches Element.

Ein einfaches Dublin-Core-Element sieht folgendermaßen aus:

dc.date

dc beschreibt den so genannten Namespace. Ein Namespace identifiert einen Standard, wie in diesem Fall dc für Dublin Core und wird Ihnen im Bereich der Metadaten und XML immer wieder begegnen. date beschreibt das Element. Beide können nun um einen Qualifier erweitert werden, der das Element spezifiziert, z.B.:

dc.relation.hasversion oder dc.relation.isversionof

Mit diesen Erweiterungen wird das Feld relation für die Versionierung eines Objekts oder eine Datei verwendet. Dies kann der Fall sein, wenn es mehrere Digitalisierungen eines analogen Objekts gibt oder auch grundlegend, wenn zwischen der Erfassung des analogen Objekts und der digitalisierten Version unterschieden wird.

Übung

Schauen Sie sich das date-Element genauer an. Eine Liste aller authorisierten Qualifier finden Sie auf der Dublin Core Webseite. Welchen Qualifier würden Sie für welche Datumsangabe der Fotografie Hagemeyers verwenden?

  • dc.date.created: 1931
  • dc.date.submitted: 1962
  • dc.date.copyrighted: 2013
  • dc.date.issued: Datum, an dem das Bild digital in der Websammlung veröffentlicht wurde

DCMI Metadata Terms

2022 publizierte die Dublin Core Metadata Initiative ein erweitertes Set von Elementen:

Included are the fifteen terms of the Dublin Core™ Metadata Element Set (also known as “the Dublin Core”) plus several dozen properties, classes, datatypes, and vocabulary encoding schemes. The “Dublin Core” plus these extension vocabularies are collectively referred to as “DCMI metadata terms” (“Dublin Core terms” for short). These terms are intended to be used in combination with metadata terms from other, compatible vocabularies in the context of application profiles.1

In diesem Set werden alle vorhandenen Kernelemente zusammengefasst und durch ergänzende Felder erweitert und präzisiert, zum Beispiel durch dateAccepted oder zusätzliche Felder wie abstract.

Die Terms:

abstract accessRights accrualMethod accrualPeriodicity accrualPolicy
alternative audience available bibliographicCitation conformsTo
contributor coverage created creator date
dateAccepted dateCopyrighted dateSubmitted description educationLevel
extent format hasFormat hasPart hasVersion
identifier instructionalMethod isFormatOf isPartOf isReferencedBy
isReplacedBy isRequiredBy issued isVersionOf language
license mediator medium modified provenance
publisher references relation replaces requires
rights rightsHolder source spatial subject
tableOfContents temporal title type valid

Diskussion

Wie ist Ihre Meinung zu dem erweiterten Metatdatenset? Fehlen Ihnen aus Ihrem Fachgebiet zum Beispiel noch spezielle Felder? Können Sie sich vorstellen für ein in Ihrem Fachgebiet relevantes Objekt alle Felder auszufüllen?

Callout

Sehr wahrscheinlich werden Sie feststellen, dass mit den im Dublin-Core-Standard vorgegebenen Metadatenfeldern nicht alle Objekte erfasst werden können. Auch können Sie nicht alle Felder immer ausfüllen. Daher gibt es viele weitere Standards oder Schemata, die für das jeweilige Fachgebiet oder spezielle Objekte des kulturellen Erbes erstellt worden sind. Es wird Ihnen eventuell auch auffallen, wenn Sie andere Standards oder Schemata betrachten, dass einige wiederum Elemente von Dublin Core nachnutzen.

Key Points

  • Der Dublin-Core-Standard umfasst einen einfachen Satz von 15 Elementen sowie einen erweiterten Satz mit zusätzlichen Eigenschaften, Klassen, Datentypen und Kodierungsschemata.
  • Alle Felder sind optional, nicht obligatorisch, können mehrfach und in beliebiger Reihenfolge erscheinen. Dublin Core definiert die Metadatenfelder selbst, aber nicht die Struktur für sie.

[1]: DCMI Metadata Terms

  1. 1↩︎

Content from Resource Description Framework (RDF)

Last updated on 2025-05-22 | Edit this page

Overview

Questions

  • What is the Resource Description Framework (RDF)?
  • How can information be linked using triples and URI?

Objectives

After completing this episode, participants should be able to

  • describe the basics of the Resource Description Framework (RDF),
  • name the elements of a triple,
  • find URI for RDF triple elements and create RDF statements.