Vom 23.08. bis zum 25.08. fand das diesjährige Jointly-Sommercamp statt. Neben dem Austausch über aktuelle Entwicklungen, Ideen und Konzepten stand auch dieses Jahr wieder ein Hackathon auf der Agenda. Besonders im Fokus stand dabei die Vernetzung von Repositorien. Die GWDG ist im BMBF-Projekt Jointly unter anderem für die Erarbeitung von Konzepten für skalierbare und vernetzte IT-Infrastrukturen zuständig.

Ein Team rund um Serlo und WirLernenOnline hat sich in einer von der GWDG geleiteten Session mit der Frage beschäftigt, wie Metadaten zu thematischen Einordnungen ausgetauscht werden können, ohne dass dabei Informationen verloren gehen. Serlo.org wird von dem gemeinnützigen Verein Serlo Education e.V. betrieben und bietet über 15.000 Aufgaben, Erklärungen und Lernvideos für Mathematik und andere Schulfächer bereit. Alle Inhalte werden unter einer freien Lizenz veröffentlicht und dürfen kopiert, verändert und verbreitet werden.

Sowohl bei WirLernenOnline als auch bei Serlo werden Inhalte in thematische Strukturen eingeordnet, die sich an Lehrplänen orientieren. Bei WirLernenOnline geschieht dies in den Fachportalen über die sog. "Themenbäume". Diese Themenbäume wurden von Lehrer*innen erstellt, die sich auf WirLernenOnline engagieren und bilden eine übergreifende Taxonomie des jeweiligen Schulfaches ab. Beim einem Datenaustausch zwischen den beiden Systemen gehen die Informationen der thematischen Einordnung bisher verloren, da kein Mapping zwischen den beiden Themenbäumen besteht. Sinnvoll wäre es jedoch, wenn die thematischen Einordnungen aufeinander gemappt würden, um Nutzer*innen in beiden Systemen diese Einordnung als zusätzliche Information zur Verfügung stellen zu können.

Fachportale bei WirLernenOnline

Ausschnitt aus der Taxonomie von Lehrplanthemen bei WirLernenOnline

Ausschnitt eines Themenbaums bei Serlo

Modellierung der Themenbäume in SKOS

Bei WirLernenOnline werden diese Themenbäume in dem RDF-basierten Standard SKOS¹ kodiert und anschließend mit Skohub-Vocabs² veröffentlicht. SKOS (Simple Knowledge Organization System) ist ein W3C-Standard zur Beschreibung kontrollierter Vokabulare. Der Vorteil der Beschreibung solcher Vokabulare mit SKOS besteht darin, dass die Vokabulare einerseits gut maschinenlesbar sind und somit gut in Software verwendet werden können, andererseits besitzen sie ein hohes Maß an Nachnutzbarkeit und Interoperabilität. Für eine allgemeine Einführung SKOS wurde von dem Kompetenzzentrum Interoperable Metadaten (KIM), einer Gruppe innerhalb der Deutschen Initiative für Netzwerkinformation e.V. (DINI), eine Einführung für SKOS veröffentlicht.³

Eine weitere Eigenschaft von SKOS besteht darin, dass sich Relationen zwischen den Begriffen eines Vokabulars ziehen lassen. So können Relationen einerseits zu Begriffen im selben Vokabular hinterlegt werden, andererseits auch zu Begriffen in anderen Vokabularen. Zur Abbildung dieser Relationen stehen verschiedene Attribute zur Verfügung. Um Relationen innerhalb des eigenen Vokabulars abzubilden, werden meist skos:narrower und skos:broader verwendet, um Oberbegriffe und Unterbegriffe zu unterscheiden. Das Attribut skos:related wird verwendet, um assoziierende Relationen zu einem anderen Begriff innerhalb desselben Vokabulars auszuzeichnen. Zur Kennzeichnung von Relationen zu einem anderen Vokabular stehen die Attribute skos:broadMatch und skos:narrowMatch zur Verfügung, um Ober- und Unterbegriffe zu unterscheiden, jedoch innerhalb eines anderen Vokabulars. Außerdem können skos:closeMatch, skos:exactMatch und skos:relatedmatch verwendet werden, um die Art der Beziehung zu Begriffen anderer Vokabulare auszudrücken.

Im Rahmen des Hackathons haben wir uns dazu entschieden, in einem Proof-of-concept zu testen, ob und wie sich die Beziehungen zwischen dem Themenbaum von Serlo und dem Themenbaum von WirLernenOnline einfügen lassen könnten. Dazu musste zunächst der Themenbaum aus Serlo exportiert und in SKOS abgebildet werden.

Anschließend stellte sich die Frage, wie das Mapping zwischen den beiden Bäumen hergestellt werden kann. Hierbei gibt es grundsätzlich zwei Möglichkeiten:

• Das Mapping direkt in den Turtle-Dateien einpflegen⁴

• Das Mapping mit Hilfe eines dedizierten Mapping-Tools durchführen

Das Hinterlegen des Mappings direkt in den Turtle-Dateien ist besonders bei größeren Mappings aufwändig und fehleranfällig. Außerdem sind Kenntnisse der Turtle-Syntax notwendig. Auch wenn diese nicht allzu schwierig zu lernen ist, sollten die inhaltlichen Expert*innen, die sich mit solchen Mappings beschäftigen nicht damit beschäftigen müssen, eine spezielle Syntax zu erlernen, sondern sich auf das Mapping konzentrieren können. Auch bietet ein dediziertes Mapping-Tool weitere Vorteile, wie eine visuelle Oberfläche sowie ggf. softwaregestütze Unterstützung beim Mapping.

Im Rahmen der OER-Metadatengruppe und Curricula-Gruppe wurde dazu bereits am 17.03.2021 ein gemeinsamer Workshop mit dem coli-conc Team der Verbundzentrale des GBV durchgeführt. Das coli-conc Projekt hat dazu das Tool "Cocoda" entwickelt, eine Vue.js Applikation mit der auf einer ansprechend und übersichtlich gestalteten Oberfläche Mappings zwischen Vokabularen erarbeitet werden kann.

In dem Workshop wurde bereits anhand zwei unterschiedlicher Fächerklassifikationen ein solches Mapping ausprobiert und demonstriert. Cocoda bietet dabei verschiedene Möglichkeiten an, ein Vokabular einzulesen:

• Skosmos-API

• JSKOS-Server⁵

• SkoHub (momentan noch in der Test-Phase)

Da wir von der Möglichkeit SkoHub direkt benutzen zu können erst nach dem Hackathon erfahren haben, haben wir uns für einen eigenen JSKOS-Server entschieden.

Insgesamt waren für uns also folgende Arbeitsschritte notwendig, um ein Mapping zwischen zwei Vokabularen in Cocoda durchzuführen:

1. Bereitstellung des Vokabulars im JSKOS-Format⁶

2. Hosting des Vokabulars auf einem JSKOS-Server

3. Anpassung der Cocoda-Konfiguration

Bereitstellung des Vokabulars im JSKOS-Format

Nachdem das Serlo-Team den Mathe-Themenbaum bereits in SKOS modelliert hat, musste nun beide Taxonomien in das JSKOS-Format überführt werden. Dazu gibt es glücklicherweise das Tool skos2jskos, das hierfür genutzt werden kann. Nach der Installation kann mit einem einfachen skos2jskos /``your_skos_file.ttl``/ das entsprechende SKOS-File in das JSKOS-Format konvertiert werden. Als Ergebnis werden zwei Dateien generiert: schema.json und concepts.ndjson. Diese werden im nächsten Schritt in den JSKOS Server importiert.

Hosting des Vokabulars auf einem JSKOS-Server

Dank guter Dokumentation ist der JSKOS-Server schnell aufgesetzt. Neben der JSKOS-Instanz selbst ist noch ein Mongo-DB-Server nötig. Dieser wird entweder ebenfalls schnell selbst installiert oder es kann das ebenfalls angebotene Docker-Compose-File genutzt werden, das den JSKOS-Container inklusive eines Mongo-DB-Containers startet.⁷ Anschließend müssen lediglich mit folgenden Befehlen die schema-Datei und die concepts-Datei importiert werden.⁸

npm run import -- schemes ../data/imports/serlo/scheme.json
npm run import -- concepts ../data/imports/concepts.ndjson

Wir aktualisieren anschließend noch den Index mit folgendem Befehl:

npm run import -- --indexes

Anpassung der Cocoda-Konfiguration

Als letzten Schritt muss nun noch die Konfiguration in Cocoda angepasst werden, damit die Vokabulare vom JSKOS-Server von Cocoda erkannt werden. Die Konfiguration ist in der README.md des GitHub-Repositories dokumentiert.⁹ Mit folgendem JSON-Objekt wurde unsere lokale JSKOS-Instanz in der Konfigurationsdatei hinzugefügt.

{
    "provider": "ConceptApi",
    "uri": "http://localhost:3000",
    "status": "http://localhost:3000/status",
    "notation": [
        "WLO"
    ],
    "prefLabel": {
        "en": "WLO JSKOS"
    },
    "definition": {
        "en": [
            "WirLernenOnline JSKOS server instance"
        ],
        "de": [
            "WirLernenOnline JSKOS-Server Instanz"
        ]
    }
}

Die Mappings selbst können entweder lokal gespeichert werden oder auf einem JSKOS-Server (oder beides). Hier sind beispielhaft zwei JSON-Objekte dargestellt, die einmal das lokale Mapping und das Einbinden einer JSKOS-Instanz für das Mapping zeigen:

• Lokales Speichern des Mappings:

  { "provider": "LocalMappings", "uri": "http://coli-conc.gbv.de/registry/local-mappings", "notation": [ "L" ], "prefLabel": { "de": "Lokal", "en": "Local" }, "definition": { "en": [ "Mappings saved locally in the browser" ], "de": [ "Mappings, die lokal im Browser gespeichert wurden" ] } }

• Speichern des Mappings auf einer JSKOS-Instanz

  { "provider": "MappingsApi", "uri": "http://localhost:3000/mappings", "status": "http://localhost:3000/status", "notation": [ "C" ], "prefLabel": { "de": "Mapping-Register", "en": "Mapping Registry" }, "definition": { "en": [ "Central concordance registry of WirLernenOnline." ], "de": [ "Zentrales Konkordanz-Register von WirLernenOnline" ] } }

Auf https://hub.docker.com/r/coliconc/cocoda wird beschrieben, wie der Service mit Docker einfach gestartet werden kann und die eigene Config-Datei eingebunden wird. Nach einem einfachen docker-compose`` ``up stand der Mapping-Service anschließend zur Verfügung.

Beispielhaftes Mapping der Konzepte Zahlenräume (WirLernenOnline) auf Zahlen und Größen (Serlo)

Mapping der Themenbäume

Am Hackathon selbst sind wir nicht mehr dazu gekommen, die Themenbäume auch tatsächlich aufeinander zu mappen. Jedoch konnten wir zeigen, dass das Mapping nun auf einfache Weise möglich wäre, ohne dass Kenntnisse der Turtle-Syntax notwendig sind. In einem Mapping-Sprint könnten sich Fachredaktionen zusammenschließen und ein Mapping verschiedener Themenbäume durchführen. Mit leichten Anpassungen in der Crawling-Infrastruktur wäre es dann möglich, dass beim Crawlen, sofern als Metadatum bereitgestellt, die Infos über die Themenbaumeinordnung eines Materials erfasst wird. Aufgrund des Mapping könnte dann die Einordnung bei Serlo auf die Einordnung bei WirLernenOnline übertragen werden. Nach dem Crawling würden die neu hinzugekommenen Materialien den Fachredaktionen als Vorschläge für die Themen in ihren Fachportalen angezeigt werden. Auf diese Weise wird ihnen das Einsortieren von neuen Materialien deutlich erleichtert. Die durch das Mapping neu gewonnenen Informationen können außerdem verwendet werden, um die Machine-Learning Prozesse in der Redaktionsumgebung von WirLernenOnline zu verbessern.