HOE KU LEUVEN BIBLIOTHEKEN DIGITALISEERT IN SAMENWERKING MET GOOGLE BOOKS 

Wat voorafging

KU Leuven Bibliotheken werkt al sinds 2010 aan de digitalisering van haar fysieke collectie. Centraal daarbij zijn het opendatabeleid (alle werken waarvan de originelen zich in het publiek domein bevinden, worden als open data aangeboden) en tot voor kort ook een sterke focus op hoogkwalitatieve digitalisering in het eigen Digitaal Labo. Wanneer in 2019 het team van Google Books en de Leuvense universiteitsbibliotheek voor het eerst met elkaar in gesprek gaan over een samenwerking voor het digitaliseren van grote delen van de collectie, gooit de coronapandemie roet in het eten. De digitaliseringssamenwerking gaat in de koelkast en wordt omgewerkt tot een zogenaamde ‘DigiFeed’-overeenkomst: Leuven bezorgt in-huis gedigitaliseerde werken aan Google Books om deze via hun eigen platform te ontsluiten en krijgt in ruil daarvoor kwalitatieve OCR-data (optical character recognition-data, met andere woorden machineleesbare tekst) terug. De vele afbeeldingen van documentair erfgoed worden zo bruikbare, tekstuele data.

Exit coronapandemie. De gesprekken worden hervat en leiden tot een overeenkomst. KU Leuven Bibliotheken zal gespreid over twee jaar minimaal 60.000 volumes aanleveren, samen met de bijbehorende beschrijvende metadata. Google Books zal zorgen voor de digitalisering (inclusief OCR), zal de collectie ontsluiten op zijn eigen platform en de data aan de bewaarinstelling leveren. Het project wordt volledig door KU Leuven Bibliotheken gedragen, met naast de vaste staf ook de inzet van specifieke projectmedewerkers en jobstudenten. Projectpartners zijn Bibliotheekdiensten, LIBIS, Bijzondere Collecties, Maurits Sabbebibliotheek, Artes en 2Bergen Campusbibliotheek Arenberg, met ondersteuning door de Centrale en Logistieke Diensten van de KU Leuven.

Hoe verscheep je in een tijdspanne van twee jaar en op een veilige, gecontroleerde manier zó veel volumes uit vier bibliotheken en vanop drie locaties zonder de gewone werking van de bibliotheek te verstoren? Hoe zorg je voor de levering van de nodige, uniforme en kwaliteitsvolle metadata? En hoe ga je om met de grote hoeveelheid data die terugvloeit naar de eigen preservatieomgeving? Eén ding is meteen duidelijk: deze grote logistieke uitdaging kan enkel slagen mits duidelijke procedures en als alle betrokkenen van bij het begin betrokken worden.

Het projectteam wordt samengesteld en weerspiegelt meteen de complexiteit van het project: onder leiding van een projectmanager gaan collectiebeheerders, catalografen, conservatoren, magazijniers, technisch personeel, IT-collega’s en een procesontwikkelaar samen aan de slag om het project verder in de steigers te zetten. Hieronder volgt een overzicht in zes thema’s.

Procesontwikkeling

Voor het uitwerken van het logistieke en digitale proces dient rekening gehouden te worden met meerdere voorwaarden, waaronder de volgende zaken: 1) de fysieke integriteit van de collecties is van cruciaal belang, 2) de vier collecties bevinden zich op drie verschillende fysieke locaties waarvan twee in de Leuvense binnenstad, 3) de vrachtwagen voor transport naar het scancentrum van Google Books kan niet in die binnenstad rijden, 4) de levering aan Google Books dient – zowel fysiek als digitaal – uniform te gebeuren, 5) we steunen primair op de inzet van vast personeel aangevuld met enkele projectmedewerkers. Op basis hiervan wordt al snel beslist om te werken met een centrale hub: een externe locatie waar de boeken vanuit de verschillende locaties samenkomen en vertrekken, en waar centrale taken (metadatering, administratieve voorbereiding van transporten en restauratie) uitgevoerd worden door de nieuwe projectmedewerkers.

Een belangrijke vraag is of we de digitale objecten ook zelf zullen preserveren en beschikbaar stellen, of ze enkel via een link naar het platform van Google Books in onze bibliotheekcatalogus zullen ontsluiten. Om langetermijnbewaring te verzekeren, beslissen we de data te bewaren in Rosetta, onze eigen digitale repository. Door ze ook zelf te ontsluiten kunnen we bovendien uitgebreide diensten aan onze gebruikers bieden: een hoogwaardige Universal Viewer, downloadbare IIIF-manifesten (International Image Interoperability Framework), waarmee de gebruiker het object in eender welke andere IIIF-compliant viewer kan bekijken, en – via het toekomstige serviceplatform – de mogelijkheid om elk object in verschillende beschikbare formaten te downloaden en in andere contexten dan de bibliotheekcatalogus te gebruiken voor eigen onderwijs en onderzoek.

Met deze beslissingen op zak start het uittekenen van het proces. Daarbij definiëren we drie stromen: de doorstroming van de fysieke materialen, de metadata nodig voor transport naar Google Books en de digitale instroom van data.

De fysieke stroom en de metadatering gaan hand in hand. Vertegenwoordigers van alle bovengenoemde profielen schuiven op geregelde tijdstippen mee aan tafel om de voorstellen te bespreken. De weg van de boeken (1) vertrekt bij collectiemedewerkers (jobstudenten) die onder leiding van een collectie-expert de boeken uit het rek halen en registreren, (2) gaat via een intern transport van de KU Leuven naar de centrale hub waar (3) voor het project aangenomen restauratoren de boeken verzorgen (indien nodig) en (4) catalografen de catalogusbeschrijvingen controleren en aanvullen. Hierna (5) bereidt de metadatamanager het transport digitaal voor na een fysieke controle voor (6) verzending naar Google Books voor het digitaliseren van de circa 4500 titels per verzending, waarna (7) de boeken terugkeren naar de centrale hub voor ontvangst door de catalografen en (8) intern transport de boeken naar de collectie brengt voor terugplaatsing.

Tijdens dat traject worden controles ingebouwd om de fysieke integriteit van de banden te waarborgen en om boeken die niet voldoen aan de vormkenmerken (bijvoorbeeld te groot of te dik) of de preservatierichtlijnen (bijvoorbeeld losse elementen of te kleine openingsgraad) tegen te houden en terug op het rek te plaatsen. We werken ook specificaties voor metadatering uit en beschrijven hoe de beweging van elk individueel boek geregistreerd wordt in selectielijsten per bibliotheek en van elke kar in het workflowmanagementsysteem voor dit project. Ten slotte verfijnen we deze basisworkflow voor elk van de bibliotheken waar de boeken vandaan komen. De fysieke stroom en metadatering zijn uitgetekend.

Voor de digitale stroom vertrekken we van de samenstelling van het pakket dat per object aangeleverd zal worden. Dat zal bestaan uit drie bestanden voor elke pagina (een beeld, OCR als ‘platte tekst’ en een beschrijving van de gestructureerde OCR-data) en een METSbestand per object met beschrijvende, administratieve en structurele metadata. Dat laatste is een soort ‘grondplan’ dat toelaat om met de afzonderlijke bestanden het object op te bouwen. De ingest of opname in het eigen preservatiesysteem zal worden opgezet wanneer de eerste testpakketten geleverd worden, samen met procedures die deze pakketten zullen omvormen tot digitale objecten met een structuur die aansluit bij de bestaande gedigitaliseerde collectie en die ontsluiting via onze eigen systemen toelaten.

Selectie

In de voorbereiding van het contract analyseert Google Books de holdings van KU Leuven Bibliotheken tot en met 1898. Alle titels of edities die nog niet beschikbaar zijn via Google Books komen op een lijst terecht van volumes die zij wensen te digitaliseren. Op basis van deze lijst gaan de collectieverantwoordelijken van de vier bibliotheken eind 2022 aan de slag. Het doel: deze brede selectie verfijnen tot een lijst voor elke bibliotheek met titels die voldoen aan de vormvereisten van Google Books, inhoudelijk relevant zijn én waarvoor digitalisering door Google Books verantwoord is vanuit onze eigen visie op conservatie.

Er zijn vele redenen om boeken van de lijst te schrappen, maar tegelijkertijd is de grootschaligheid van dit project net de meerwaarde. Er moet bovendien veel materiaal geselecteerd blijven omdat een significante uitval verwacht wordt bij de controle van de fysieke staat van elk individueel volume.

De selectie gebeurt in de eerste plaats op basis van reeksen plaatsingsnummers, die meestal een indicatie geven van de onderwerpen, fysieke formaten of documenttypes. Zowel grote plano’s (ongevouwen bladen waarbij slechts op één zijde gedrukt is) en fragiele pamfletten als de vroegste oude drukken met hun (te) hoge waarde worden uitgefilterd. Moeilijke bereikbaarheid in de magazijnen of ingewikkelde plaatsingsnummers kunnen ook een reden zijn om boeken te weren, omdat dat het tempo zou beperken. Ook het feit dat bepaalde collecties reeds geselecteerd zijn als deel van een intern digitaliseringsprogramma, speelt een rol. Het is juni 2023. De lijsten per bibliotheek zijn gedefinieerd en we zijn bijna klaar voor de start.

Preservatie en EHBO

Ten slotte rest nog het opstellen van richtlijnen die de fysieke integriteit van de boeken zullen waarborgen. Digitaliseren is een manier om boeken te preserveren (online toegankelijkheid reduceert de nood aan fysieke raadpleging), maar houdt ook risico’s in voor de fysieke integriteit van een boek. Preservatierichtlijnen en conditiecriteria voor het al dan niet opsturen zijn dan ook erg belangrijk. Daarbij zoeken we vooral naar een balans tussen enerzijds het zoveel mogelijk tot een minimum reduceren van de schade die boeken tijdens deze grootschalige digitalisering zouden kunnen oplopen, en anderzijds het zorgen voor voldoende titels om te kunnen opsturen.

Als referentiekader voor een aanvaardbare maximale schade nemen we de schade die een boek bij een gewone leeszaalraadpleging kan oplopen. Dat gaat vooral over de kans op verdere degradatie van reeds bestaande (beperkte) schade, zoals scheurtjes, licht beschadigde scharnieren of loskomende ‘kapjes’ aan de boven- of onderzijde van de rug. Voor niet-erfgoedboeken accepteren we een maximale schade die overeenstemt met vijf leeszaalraadplegingen (elk boek zal immers een vijftal keer gemanipuleerd worden), terwijl we voor erfgoedboeken een schade van slechts één raadpleging toestaan.

Binnen het project is ruimte om boeken te behandelen waarvan de structuur nog intact is, maar waarvan het transport en de digitalisering zonder een ‘EHBO-behandeling’ zou leiden tot meer schade en/ of verlies van onderdelen. Tijdens een EHBO-behandeling herstellen we alleen wat tijdens het digitaliseringsproces verder beschadigd of verloren kan raken, zo fixeren we bijvoorbeeld losse pagina’s. We stabiliseren met andere woorden de schade alvorens die te ernstig wordt. Deze behandeling is minimaal en omkeerbaar en voldoet aan de internationale conservatiestandaarden. Een EHBO-behandeling is dan ook geen volwaardige restauratie. Boeken met zware en/of structurele schade worden niet opgestuurd.

Een EHBO-behandeling wordt enkel voorzien voor de erfgoedboeken en dus niet voor boeken van na 1840. Wanneer een boek van na 1840 kleine schade heeft zonder kans op verlies wordt het toch opgestuurd voor digitalisering, maar bij grotere schade en/of kans op verlies blijft het op het rek staan.

Voor elk boek wordt op verschillende momenten bekeken of het voldoet aan de conditiecriteria om opgestuurd te worden, al dan niet na een EHBO-behandeling. Het begint bij jobstudenten die in de magazijnen de boeken van het rek nemen en door de restauratoren opgeleid werden om de fysieke staat van de boeken correct te beoordelen op basis van de conditiecriteria (openingsgraad, hoeveelheid en type schade, ongesneden pagina’s enzovoort).

Boeken die enkel na een EHBO-behandeling gedigitaliseerd kunnen worden, belanden op een triagerek waar een restaurator nakijkt of de boeken inderdaad voldoen aan de EHBO-vereisten. Dat gebeurt voor het transport naar de centrale hub, zodat de boeken niet onnodig vervoerd worden. Als laatste gaat het boek door de handen van de catalografen, die het aan een laatste controle onderwerpen. Wanneer zij alsnog schade opmerken, zijn er twee opties: ofwel krijgt het boek alsnog een behandeling, zodat we het toch kunnen meesturen ofwel keert het terug naar de bibliotheek met een vermelding van de reden.

De fysieke stroom

Vooraleer de catalografen de boeken een laatste keer controleren, hebben deze al een hele weg afgelegd. Die weg begint op elk van de drie locaties, met de jobstudenten die er – steeds per twee – werken. De collectieverantwoordelijken brachten hun de nodige kennis bij over de collecties (bijvoorbeeld de opbouw van plaatsingsnummers en het herkennen van convoluten (een band met meerdere handschriften) en beperkt meerdelige publicaties) en over de basisworkflow voor het uithalen van de boeken en de registratie in de collectie-specifieke selectielijst.

De basisworkflow regelt (1) het opzetten van een uniforme, zo eenvoudig mogelijke werkwijze voor alle locaties, (2) het inbouwen van voldoende controlemomenten voor het uithalen van duizenden boeken in vaak complexe magazijnen, en (3) het registreren van de bewegingen van elk van die boeken. Daarnaast heeft elke locatie collectie-specifieke uitdagingen en dus ook een unieke werkwijze en specifieke afspraken. De jobstudenten moeten zich ook vertrouwd maken met de structuur van de uitgebreide magazijnen: welke reeks plaatsingsnummers staat waar, wat zijn de eigenheden van deze deelcollecties, en waarop moet worden gelet? Deze complexiteit in de vingers krijgen, vergt tijd. Daarom heeft elke locatie een eigen jobstudententeam.

Hoe gaan de studententeams dan concreet te werk? Hun basis is een mobiel werkstation met een handige boekenkar (waarbij één zijde groen gemarkeerd is en de andere zijde oranje), een laptoptafel met laptop en werkdozen gevuld met tracers, afgedrukte selectielijsten voor de week, convoluutstrookjes en klein materiaal. Cruciaal is ook de digitaal geopende selectielijst, die weergeeft of titels al verzonden zijn. In de bibliotheek zijn immers veel dubbels, zowel op de eigen locatie als elders, en de kans bestaat dat de titel al opgestuurd werd. Omdat de collectie-specifieke lijsten online met elkaar verbonden zijn, is deze informatie meteen zichtbaar.

Een van de studenten haalt de boeken van het rek. De andere controleert de fysieke staat, noteert de bevindingen in de digitale lijst, en plaatst het boek zowel fysiek als digitaal op de voorziene ‘bestemming’. Dankzij deze digitale registratie weten we waar een boek zich bevindt: op een kar voor transport (deze boeken krijgen ‘groen’ licht), in de triagezone (‘oranje’, voor boeken waar twijfel over bestaat), of terug op het rek in het magazijn (‘rood’, wanneer de fysieke staat digitalisering niet toelaat).

De studenten duiden convoluutdelen in het boek aan met convoluutstrookjes en leggen tracers met plaatsingsnummer op het rek om ook fysiek te markeren welke boeken opgestuurd werden. De boekenkar wordt naar de werkzone gereden en de groene boeken worden overgeladen op een grote kar van Google Books waarop ongeveer 225 titels passen. De oranje gemarkeerde boeken worden op een triagerek geplaatst, waar de restaurator ze zal controleren en groen (digitalisering mogelijk), oranje (EHBO nodig) of rood (terug op het rek te plaatsen) licht zal geven.

Het werk van de studenten wordt gestuurd door de collectieverantwoordelijke van de bibliotheek, die bepaalt uit welke plaatsingsnummers geput wordt. Is er bijvoorbeeld weinig tijd tot de volgende verzending, dan kiest men voor eenvoudige plaatsingsnummers. De collectieverantwoordelijke staat ook in voor de kwaliteitscontrole (bijvoorbeeld van de registraties in de selectielijsten en van de uitgaande karren) en behandelt problemen rond boeken met een vermoeden van schimmel of onvindbare boeken.

Metadata. En ook transport

Vanop de verschillende locaties worden de boeken samengebracht in de centrale hub waar de catalografie, de EHBO-behandeling en de voorbereidingen voor transport gebeuren. De catalografen controleren in de eerste plaats de metadata in de catalogus en vullen die aan waar nodig en mogelijk. Een massadigitaliseringsproject is een opportuniteit om aan catalogusonderhoud te doen, maar data aanvullen kost tijd. Welke metadata heeft Google nodig? Welke willen we zelf ook opschonen? Wanneer zijn de metadata volledig en juist genoeg? Het blijft een afweging tussen kwaliteit en kwantiteit.

Als de metadata in orde zijn, worden de boeken toegevoegd aan de pakketlijst: een document met alle werken die in één zending opgestuurd worden. Dankzij het ID-nummer uit de catalogus en een project-specifieke barcode die in de fysieke boeken geplaatst wordt, zal het digitale object – het gedigitaliseerde boek – aan het juiste fysieke boek gekoppeld kunnen worden. Dat moet voor elk werk nauwkeurig bijgehouden worden.

Eens alle boeken voor een zending verwerkt zijn, worden de beschrijvende metadata van de betreffende titels uit de catalogus gedownload op basis van de ID-nummers uit de pakketlijst. Deze metadata worden samen met de pakketlijst aan Google bezorgd, zodat de boeken uit KU Leuven Bibliotheken ook op het platform van Google Books vindbaar zullen zijn. Alle boeken die verzonden worden, worden als onbeschikbaar geoormerkt in de catalogus, zodat lezers ze niet kunnen aanvragen voor consultatie.

Omdat de catalografen het punt in het proces vormen waar de boeken uit verschillende collecties samenkomen, begeleiden zij ook het transport. Het intern transport tussen de collectielocaties en de centrale hub gebeurt wekelijks. Voor het externe transport naar het scancentrum van Google Books worden elke zes weken twintig karren gecontroleerd en klaargezet, terwijl ook twintig karren met gedigitaliseerde boeken terugkeren. Om de locatie van elke kar op elk moment te kennen, houden de catalografen een zeer duidelijke administratie bij.

Heel veel data!

Nadat Google Books de werken gedigitaliseerd en digitaal klaargezet heeft op zijn platform, is het tijd voor de digitale stroom.

Elk gedigitaliseerd object staat klaar als een pakket bestaande uit een beeldbestand, OCR-data per pagina en een METS-bestand. Deze pakketten worden gedownload en de samenstelling ervan wordt omgevormd tot een bestandenset voor ingest in Rosetta. De bestanden worden daarbij naar formaat verdeeld, maar we zorgen ook voor verdere verrijking: (1) op basis van de METS-file wordt aan elk bestand een label (titelpagina, paginanummer en dergelijke) toegekend dat getoond kan worden in de viewer en voor de gebruikers de structuur van het werk duidelijk maakt, (2) de OCR-bestanden worden geconverteerd naar de ALTO-xml-standaard die full-text search zal toelaten in het object, en (3) de txt-bestanden per pagina worden verzameld in één txt-bestand voor het hele object.

De resulterende Standard Information Package (SIP) wordt geïngest. Om te zorgen voor een hoogwaardige ontsluiting in de Universal Viewer wordt bovendien de ALTO-xml omgezet naar een JSON-xml-bestand en wordt per object een IIIF-manifestbestand opgesteld dat de beelden en de OCR-data ontsluit. Ten slotte wordt het digitale object gekoppeld aan de bibliografische beschrijving in de bibliotheekcatalogus Alma. Enkel zo kan de lezer het object terugvinden via Limo en het van daaruit openen in de hoogwaardige Universal Viewer. De beelden worden getoond in het JPEG2000- formaat, dat geschikt is om snel te laden en snel in of uit te zoomen. De gebruiker kan dankzij de inhoudstafel (de eerder vermelde labels) snel een bepaalde bladzijde of een bepaald onderdeel van het boek terugvinden of het object full-text doorzoeken via een zoekbalk.

Dankzij het IIIF-manifest kunnen de objecten bovendien in andere IIIF-compatibele omgevingen opgeroepen worden.

Laatste loodjes

Niet alleen de digitale objecten, maar ook hun fysieke tegenhangers keren terug naar Leuven. Eens terug op hun bewaarlocatie wordt tijdens het terugplaatsen de staat van elk boek snel gecontroleerd. Enkel structurele beschadigingen, zeer beperkt door de rigoureuze conditiecheck vooraf, worden genoteerd in de selectielijst. Elk teruggekeerd boek wordt vervolgens afgevinkt in de selectielijst en weer op het rek gezet. Zo monitoren we zowel de staat van de boeken als hun terugkeer. Boeken die afgevinkt worden, worden wekelijks opnieuw beschikbaar gemaakt in de bibliotheekcatalogus. En daarmee is de cirkel rond.

Nabeschouwingen

Hoewel het Google Books-project een zeer grote investering vraagt van tijd en middelen, schatten we na vijftien maanden dat het project in een periode van twee jaar zo’n 70.000 titels zal toevoegen aan de gedigitaliseerde collectie van KU Leuven Bibliotheken. Vanzelfsprekend stoten we daarbij op een aantal uitdagingen. Zo is de beschikbare ruimte voor boeken-EHBO onvoldoende om de zeer grote vraag bij te houden, waardoor titels vaak niet meegestuurd kunnen worden en de uitval erg groot wordt (tot zo’n zestig procent voor bepaalde collecties). Daarnaast zijn sommige collecties erg moeilijk te selecteren wegens de complexiteit van de plaatsingsnummers, wat extra tijd kost. Ten slotte betekent de doorstroom en ingest van de ontelbare bestanden (in totaal zo’n 80 miljoen voor het project!) een enorme belasting van onze infrastructuur.

Tegelijkertijd biedt dit project bijzonder waardevolle kansen. De exponentiële groei van de gedigitaliseerde collectie is hier slechts een van. Het grote bereik dat het platform van Google Books zelf biedt, is een andere: na één jaar tijd kregen titels uit de collectie bijna een miljoen book views, een aantal dat snel groeit naarmate meer boeken gedigitaliseerd en ontsloten worden. Een dergelijke verbreding van de ontsluiting ligt volledig in lijn met het openbeeldenbeleid van de bibliotheek. Door de collectie ook in te huizen in onze eigen systemen en de daaraan verbonden diensten, betekent het project ook voor de eigen bibliotheekgebruikers een grote meerwaarde. Van een andere aard, maar niet minder waardevol is hoe in dit project de bibliotheekwerking in zoveel verschillende facetten vertegenwoordigd is en hoe collega’s vanuit verschillende bibliotheken, locaties en achtergronden met volle goesting samenwerken om dat te verwezenlijken.

> Collectie KU Leuven Bibliotheken op het GB-platform
> De door Google Books gedigitaliseerde collectie van de afgelopen maand via de catalogus van KU Leuven Bibliotheken