Edurep: Metadata verwerking/en

Edurep harvest diverse repositories via het OAI-PMH protocol. Vervolgens kunnen eindgebruikers via de zoekindex zoeken in het materiaal dat Edurep op deze wijze heeft verzameld. Om de kwaliteit en uniformiteit te garanderen worden er allerlei validaties, bewerkingen en translaties uitgevoerd op de metadata. In het schema hieronder staat een versimpelde weergave van de processen die plaatsvinden binnen Edurep.

records komen binnen via een specifieke interface
naast een initiële validatie (xml/toegang) vindt er inhoudelijke validatie plaats
er worden verschillende opvraagbare representaties gemaakt
de Schema.org variant wordt gebruikt in de aggregator en zoekindex

OAI-PMH Harvester

De harvester haalt de records binnen vanaf de aanbiedersrepository en fungeert daarmee als toegangspoort tot Edurep. Records die niet valideren worden geweigerd en de status is te bekijken op de harvester status pagina.

Harvester Status pagina

Per kolom in het statusoverzicht volgt nu een uitleg over de betekenis ervan:

Repository: De identifier van de repository (of een link naar de repository gegevens, alleen beschikbaar voor de beheerder van Edurep).
Last successful harvest: Timestamp van de laatste keer dat de harvester een "fout vrij" bezoek heeft gedaan.
Total records: Totaal aantal records die de harvester heeft opgehaald. (Dit aantal is niet per definitie hetzelfde als het aantal in Edurep. Het kan bijvoorbeeld voorkomen dat onze deadlink checker records met dode links opruimt.)
Harvested/Uploaded/Deleted: De verhouding tussen het aantal nieuwe of gewijzigde, en verwijderde records van het laatste harvest bezoek.
#Validation Errors: Het aantal validatiefouten. De link verwijst naar een lijst met alle fouten onderaan de statuspagina.
#Errors: Het aantal errors. De link verwijst naar een lijst met alle fouten onderaan de statuspagina.
RSS: Geeft toegang tot een rss feed voor een specifieke aangesloten collectie.

Validatiefouten

Wanneer een record succesvol wordt geharvest kan deze voor de opname in de zoekmachine nog geweigerd worden op basis van een validatiefout. Op dit moment wordt er alleen gevalideerd tegen het LOM XML schema (beide bindingen IEEE en IMS kunnen worden aangeboden).

In tegenstelling tot een error wordt er wel doorgeharvest na een validatiefout, tot op zekere hoogte. In principe wordt er na 100 validatiefouten niet meer doorgeharvest, er treedt dan voor de harvester een error op.

Elke validatiefout kan vanuit het foutenoverzicht individueel bekeken worden. De eerste regel van zo'n foutmelding bevat de gegenereerde samenvatting van de fout. In een aantal gevallen zal deze melding voldoende zijn om de fout in kwestie op te sporen. De getoonde xml staat hier in de IEEE LOM binding, maar is inhoudelijk gelijk aan het ingeschoten record.

Soms zegt deze regel echter "Line 105: Unable to transform record". De fout zelf is dan in het xml bestand terug te vinden, en omgeven door expliciete Edurep error xml elementen:

105<edurep:error xmlns:edurep="http://meresco.org/namespace/users/kennisnet/edurep">
106 <lom:keyword xmlns:lom="http://www.imsglobal.org/xsd/imsmd_v1p2">
107  <lom:langstring xml:lang="nl"/>
108 </lom:keyword>
109</edurep:error>

Wanneer een validatiefout bij de aanbieder wordt gerepareerd en volgens OAI met een nieuwe updated timestamp wordt aangeboden, wordt het record weer regulier meegeharvest en verdwijnt de validatiefout.

Deadlink Checker

The Deadlink Checker checks whether a record contains a valid and working URL in the URL field. A record can be given one of the following statuses:

OK: The result of the URL is a 2.x.x or 3.x.x HTTP status code
NTL: The record does not contain a URL (No Technical Location)
FAILED: The URL is not valid or leads to a timeout or a 4.x.x or 5.x.x HTTP status code

Records with status FAILED are then not shown in Edurep search results.

About once a week, all records with the status "OK" are checked. The records with the status "FAILED" are checked every day.

It may still happen that some learning materials are not classified as a dead link because the URL ends up on a so-called landing page that reports as an OK instead of FAILED. These situations are difficult to recognize.

Deadlink Checker Status Page

There is a status page where you can request an overview of the dead links per repository.

Production: https://wszoeken.edurep.kennisnet.nl/status
Staging: https://staging.edurep.kennisnet.nl/status

A short description for each column in the status overview:

Repository: The repository identifier as it is known in Edurep.
Vindbare records: The number of harvested records minus the records with dead links.
Deadlink records: The number of records with dead links.
Totaal: The number of harvested records.

When you click on one of the repositories, a special page opens where you can subscribe to the RSS feeds of the harvester and deadlink checker, and where you can download an overview of all dead link record identifiers.

Edits and Validation

There are various editing and validation processes in Edurep to increase the quality of records.

missing values

In order to improve the quality of metadata, Edurep fills in a certain number of metadata fields if they have not been filled in by the provider. This concerns:

costs: Edurep enters costs=yes if no costs have been entered.
publisher: Edurep fills in the repository_id as publisher when the provider does not provide a publisher.

vocabulary values

Various vocabulary fields are validated in Edurep.

legacy:
The legacy solution only works with XSLTs . Here, old values are partly mapped to new values, incorrect values are removed or adjusted. This fix will be phased out after the 2021-11 release.

new:
The new solution makes it easier for us to apply more improvement options, but it is also easier to find out more explicitly what has not been validated.

classificaties

All NL LOM classification fields are converted to schema.org in a certain way. The goal is to use only curriculum-defined terms in the schema.org for subjects, educational levels and competences. Generally speaking, we apply a series of rules in the following order:

the OBK identifier (http://purl.edustandaard.nl/begrippenkader/*) for purpose discipline, educational level or comptency will be placed in respectively in schema:educationalAlignment, schema:educationalLevel and schema:teaches.
for specific old VDEX vocabulary values, a translation is made from old value to OBK identifier
special rules are made for other classification purposes, for example mapping for access rights.
anything that does not match is stored as a keyword, while retaining vocabulary information.

A complete overview of the conversion can be found on the 2021 migration page.

OBK

Filling in a label for a classification identifier is not mandatory, but it is convenient for search portals to display meaningful names in search results without setting up their own lookup service. Edurep therefore always fills in the labels for each valid purl.edustandard.nl/begrippenkader classification identifier of learning level, subject or goal.

Any existing label will be overwritten.
If a taxon does not contain an ID, but only an entry, the taxon is removed from the record because the validity of the entry cannot be determined.

Example input:

<taxonpath>
  <source>
    <langstring xml:lang="x-none">http://purl.edustandaard.nl/begrippenkader</langstring>
  </source>
  <taxon>
    <!-- OBK-id for Secondary Education -->
    <id>2a1401e9-c223-493b-9b86-78f6993b1a8d</id>
  </taxon>
  <taxon>
    <id>512e4729-03a4-43a2-95ba-758071d1b725</id>
    <entry>
        <langstring xml:lang=”nl”>PO</langstring>
    </entry>
  </taxon>
</taxonpath>

Result:

<taxonpath>
  <source>
    <langstring xml:lang="x-none">http://purl.edustandaard.nl/begrippenkader</langstring>
  </source>
  <taxon>
    <id>2a1401e9-c223-493b-9b86-78f6993b1a8d</id>
    <!-- The entry is automatically completed -->
    <entry>
        <langstring xml:lang=”nl”>Voortgezet Onderwijs</langstring>
    </entry>
  </taxon>
  <taxon>
    <id>512e4729-03a4-43a2-95ba-758071d1b725</id>
    <!-- The entry has been automatically overwritten -->
    <entry>
        <langstring xml:lang=”nl”>Primair Onderwijs</langstring>
    </entry>
  </taxon>
</taxonpath>

vCard

A VCARD in a centity is scanned by Edurep to enable searches by "author" or "publisher". Of all the possible variables that a vCard can contain, N, FN or ORG are used as possible values for the names of authors or publishers. The value from the first of those three variables that is entered will be used. vCard must be compatible with version 3.0. In that case, FN, N and VERSION are mandatory fields and therefore cannot be omitted.

Connections

During processing, connections are established between records so that, for example, they can be searched based on the average rating for all related records.

Review

A link between a review and a learning material record is made based on the hreview:info field in SMO and 1st of the object identifiers in a learning material record. After the 2021-11 release, a match will not only be made on the 1st record identifier, but a match can be made on all record identifiers. This also means that a review can be linked to a record that did not have a direct match with the original review. For example, a review that points to id:1 via id:2 can also be linked to record B:

record A
- id:1
- id:2
record B
- id:2
- id:3

Edurep:Metadata verwerking/en