Archivo de la etiqueta: Metadatos

Rediseñando la catalogación bibliotecaria en la era de la inteligencia artificial

Two people interacting with an AI cataloging touchscreen in a modern library
Two people using an AI cataloging interface in a bright, spacious library

Program for Cooperative Cataloging (PCC), Library of Congress. PCC Task Group on AI and Machine Learning for Cataloging and Metadata: Final Report. Washington, D.C.: Library of Congress, 2024. PDF. https://www.loc.gov/aba/pcc/taskgroup/TG-Strategic-Planning-AI-final-report.pdf

Este informe final es el resultado del trabajo del Task Group del Program for Cooperative Cataloging (PCC) creado en diciembre de 2023 con el objetivo de analizar el impacto actual y potencial de la inteligencia artificial (IA) y el aprendizaje automático en los procesos de catalogación y gestión de metadatos en bibliotecas. El grupo llevó a cabo un estudio exploratorio basado en una encuesta distribuida en marzo de 2024, que obtuvo 193 respuestas de profesionales del ámbito bibliotecario y de la información.

El documento parte de el informe Environmental scan sobre el uso emergente de la IA en bibliotecas, especialmente en tareas relacionadas con catalogación, descripción bibliográfica, normalización de metadatos y apoyo a la toma de decisiones en sistemas de información. A partir de los resultados de la encuesta, el informe identifica patrones comunes de adopción, preocupaciones profesionales y oportunidades de desarrollo en el uso de estas tecnologías.

Uno de los aportes centrales del informe es la identificación de seis grandes temas transversales que reflejan cómo la comunidad bibliotecaria está interpretando la incorporación de la IA. Estos temas incluyen cuestiones relacionadas con la calidad de los datos, la confianza en los sistemas automatizados, la necesidad de supervisión humana, la formación profesional, la interoperabilidad de sistemas y el impacto organizativo de estas tecnologías en los flujos de trabajo bibliotecarios.

A partir de este análisis, el Task Group formula un conjunto de recomendaciones estratégicas dirigidas al PCC, orientadas a guiar la integración responsable de la IA en la catalogación. Entre estas recomendaciones se incluyen la necesidad de promover la alfabetización en IA entre los profesionales, fomentar marcos de gobernanza y ética, y apoyar el desarrollo de estándares que aseguren la calidad y consistencia de los metadatos generados o asistidos por IA.

El informe también propone líneas de acción institucional, entre las que destacan tres grandes direcciones:

(1) fortalecer la colaboración con comunidades más amplias de gestión de datos y metadatos,

(2) fomentar una cultura de pluralismo tecnológico que no dependa de una única solución o proveedor, y

(3) mejorar la forma en que el PCC documenta, almacena y comparte el conocimiento generado en torno a estas tecnologías.

Finalmente, el documento incluye un compendio de recursos sobre IA y catalogación, destinado a ser difundido a través del PCC Wiki, con el objetivo de servir como base de referencia para bibliotecarios, catalogadores e investigadores interesados en la aplicación de IA en el ámbito de los metadatos.

En conjunto, este informe representa un paso significativo en la reflexión institucional del mundo bibliotecario sobre la inteligencia artificial, al situar el foco no solo en la adopción tecnológica, sino también en sus implicaciones éticas, organizativas y profesionales dentro de los sistemas de catalogación modernos.

La búsqueda en IA para la ciencia aún depende de los metadatos

Man searching academic articles with AI software on computer in library
A man uses AI-powered research software in a library setting.

Hansen, Stephanie Lovegrove. 2026. “Scholarly AI Search Shortcomings and the Need for Better Metadata.” The Scholarly Kitchen, 29 de mayo de 2026. https://scholarlykitchen.sspnet.org/2026/05/29/guest-post-scholarly-ai-search-shortcomings-and-the-need-for-better-metadata

El artículo defiende que el futuro de la búsqueda académica no será una sustitución de los sistemas actuales, sino un modelo híbrido en el que coexistan la búsqueda por palabras clave, la IA generativa y los sistemas de metadatos enriquecidos. En este escenario, la calidad, estandarización y estructura de los metadatos se convierten en un elemento clave: sin ellos, incluso los sistemas de IA más avanzados no pueden ofrecer resultados fiables ni plenamente utilizables en entornos científicos.

Se analiza las limitaciones actuales de los sistemas de búsqueda académica basados en inteligencia artificial y sostiene que su rendimiento depende de forma crítica de la calidad de los metadatos subyacentes. A partir de la evaluación de herramientas de descubrimiento científico impulsadas por IA, la autora argumenta que estos sistemas aún no logran sustituir de manera fiable a la búsqueda tradicional basada en palabras clave, especialmente cuando se trata de consultas precisas, técnicas o altamente estructuradas.

Uno de los problemas centrales es la dificultad de las herramientas de IA para manejar con precisión información exacta como fórmulas, datos químicos, identificadores o referencias bibliográficas específicas. Aunque la IA destaca en tareas de síntesis y en la exploración de preguntas abiertas en lenguaje natural, tiende a fallar en escenarios donde la exactitud, la reproducibilidad y la trazabilidad son esenciales. Esto genera una tensión entre dos modelos de descubrimiento: el tradicional, basado en control y precisión, y el emergente, centrado en interpretación y síntesis automática.

El texto subraya además la opacidad de muchos sistemas de IA, que dificulta comprender por qué un resultado es recuperado o no. Esta falta de transparencia afecta directamente a la confianza de los usuarios y complica su uso en contextos académicos formales, como revisiones sistemáticas o investigación regulatoria.

Un estudio cuestiona el impacto del marcado en las citas y visibilidad de las páginas en la IA generativa

Diagram showing schema markup flow leading to AI citation and attribution with terms like JSON-LD, knowledge transfer, and algorithms.
Visual diagram illustrating schema markup and AI citation integration processes.

Schwartz, Barry. “Study: Adding Schema Did Not Improve AI Citations On Google, ChatGPT & More.” Search Engine Roundtable. Publicado el 13 de mayo de 2026. Consultado el 19 de mayo de 2026.

El artículo recoge los resultados de un estudio realizado por Ahrefs que cuestiona una de las creencias más extendidas dentro del SEO y del emergente ámbito del GEO (Generative Engine Optimization): la idea de que añadir marcado Schema o datos estructurados mejora la probabilidad de que una página web sea citada por sistemas de inteligencia artificial como Google AI Overviews, Google AI Mode o ChatGPT.

La investigación analizó 1.885 páginas web que incorporaron marcado JSON-LD Schema entre agosto de 2025 y marzo de 2026 y las comparó con un grupo de control formado por unas 4.000 páginas similares que no añadieron este tipo de marcado. El objetivo era determinar si existía una relación causal entre el uso de Schema y la frecuencia con la que las plataformas de IA citaban esos contenidos en sus respuestas generadas automáticamente. Según el estudio, los resultados no mostraron mejoras estadísticamente significativas en ninguna de las plataformas analizadas.

Los datos obtenidos fueron especialmente llamativos porque contradicen gran parte del discurso dominante en el sector SEO. En Google AI Overviews, las páginas que añadieron Schema incluso mostraron una ligera disminución del 4,6 % en las citas respecto al grupo de control. En Google AI Mode se registró un aumento del 2,4 %, mientras que en ChatGPT el incremento fue del 2,2 %, aunque ambos valores fueron considerados estadísticamente irrelevantes y posiblemente atribuibles al azar. Los investigadores concluyeron que no puede afirmarse que el Schema produzca un aumento real de visibilidad en sistemas de IA generativa.

El estudio también introduce una distinción importante entre correlación y causalidad. Ahrefs observó inicialmente que las páginas citadas por sistemas de IA tenían casi tres veces más probabilidades de incluir marcado Schema que las páginas no citadas. Sin embargo, los autores sostienen que esto probablemente se debe a que los sitios web técnicamente mejor mantenidos suelen aplicar simultáneamente buenas prácticas SEO, contenido de calidad, autoridad de dominio y estrategias de enlazado más sólidas. En otras palabras, el Schema sería un indicador indirecto de calidad técnica general, pero no el factor que impulsa directamente las citas de la IA.

Otro aspecto relevante es que algunos experimentos citados dentro del informe mostraron que varios sistemas de IA no utilizan directamente el marcado JSON-LD durante la extracción inmediata de información, sino que priorizan el contenido HTML visible de la página. Esto cuestiona la idea de que los modelos generativos “lean” o dependan necesariamente del Schema para interpretar el contenido web.

La noticia tuvo una fuerte repercusión dentro de la comunidad SEO y GEO. En diversos debates en Reddit y redes profesionales, numerosos especialistas interpretaron el estudio como un golpe a ciertas estrategias de “optimización para IA” que se habían popularizado rápidamente durante 2025 y 2026. Algunos comentarios destacan que muchas recomendaciones sobre Schema y visibilidad en IA se habían difundido más como hipótesis comerciales que como conclusiones respaldadas por evidencia empírica sólida.

No obstante, el estudio no concluye que el Schema carezca completamente de utilidad. Los autores recuerdan que los datos estructurados siguen siendo importantes para otros contextos: resultados enriquecidos en buscadores, interoperabilidad semántica, organización de contenidos, accesibilidad de datos y construcción de knowledge graphs. Además, reconocen que la investigación se centró únicamente en páginas ya visibles para los sistemas de IA y no pudo determinar si el Schema podría ayudar a páginas nuevas o menos visibles a ser descubiertas inicialmente.

En conjunto, el informe refleja una transformación profunda del SEO tradicional hacia un entorno dominado por motores generativos y asistentes conversacionales. La principal conclusión es que las estrategias centradas exclusivamente en optimizaciones técnicas aisladas parecen perder peso frente a factores más amplios como la autoridad temática, la calidad del contenido, la claridad informativa y la confianza del dominio. El debate abierto por este estudio muestra que el ecosistema GEO todavía se encuentra en una fase experimental, donde muchas prácticas consideradas “buenas estrategias” aún carecen de validación científica robusta.

Valor de los metadatos para los datos de investigación

Strecker, Dorothea (2025). How permanent are metadata for research data? Understanding changes in DataCite metadata. arXiv:2412.05128v2 (13 de diciembre de 2025)

Texto completo

El artículo analiza en profundidad hasta qué punto los metadatos de los datos de investigación pueden considerarse permanentes una vez que se les asigna un identificador persistente (DOI) a través de DataCite. En el contexto de la ciencia abierta, los metadatos son fundamentales porque permiten que los conjuntos de datos sean localizables, accesibles, interpretables y reutilizables. Sin embargo, a diferencia de los catálogos bibliotecarios tradicionales, los metadatos de los datos de investigación se crean y mantienen en entornos muy diversos, con prácticas desiguales y, en muchos casos, con un mantenimiento limitado a lo largo del tiempo. El estudio parte de la hipótesis de que, aunque los DOIs están pensados para ser persistentes, los metadatos que los acompañan pueden cambiar de forma significativa después de su publicación inicial.

Para examinar esta cuestión, el trabajo se centra en el análisis de millones de registros de metadatos asociados a conjuntos de datos publicados en 2021, observando su evolución durante los dos años siguientes. El enfoque metodológico se basa en el uso de información de procedencia de metadatos, lo que permite identificar qué elementos cambian, con qué frecuencia y en qué momento. Este enfoque empírico aporta una visión poco habitual en los estudios sobre metadatos, ya que no se limita a evaluar la calidad en un momento concreto, sino que estudia los cambios a lo largo del tiempo.

Los resultados muestran que la mayoría de los metadatos permanecen estables, lo que indica que, en términos generales, pueden considerarse suficientemente fiables para tareas como análisis bibliométricos o estudios de infraestructura científica. No obstante, una proporción relevante de registros sí experimenta modificaciones. Estas modificaciones suelen ser incrementales y puntuales, y afectan sobre todo a elementos como los nombres de los creadores, las descripciones del conjunto de datos o la incorporación de identificadores relacionados. En cambio, otros campos clave —como el título o el año de publicación— rara vez se modifican, lo que refuerza la idea de una estructura básica bastante fija.

El análisis temporal revela que los cambios se concentran en las primeras fases tras la publicación del DOI, lo que sugiere que muchos ajustes responden a correcciones o mejoras iniciales más que a un mantenimiento continuo a largo plazo. Además, el estudio detecta diferencias notables entre repositorios, lo que indica que no existe una práctica homogénea en la gestión de metadatos: algunos repositorios tienden a revisar y actualizar más sus registros, mientras que otros apenas los modifican una vez publicados.

En la discusión, el artículo plantea una reflexión crítica sobre el concepto de “permanencia” aplicado a los metadatos. Aunque estos son relativamente estables, no muestran una evolución sostenida que acompañe el ciclo de vida completo de los datos de investigación. Esto limita su potencial para reflejar nuevos usos, citas, relaciones o contextos científicos emergentes. El trabajo sugiere que, para mejorar la reutilización y el valor a largo plazo de los datos, sería necesario repensar las políticas y prácticas de mantenimiento de metadatos, promoviendo una actualización más activa y coherente.

Inteligencia artificial y catalogación en bibliotecas

Getaneh Alemu, Anna Maria Tammaro; Navigating the artificial intelligence frontier on cataloguing and metadata work in libraries: an interview with Getaneh Alemu. Digital Library Perspectives 20 August 2025; 41 (3): 587–592. https://doi.org/10.1108/DLP-08-2025-208

Se reflexiona sobre cómo la inteligencia artificial (IA) está transformando la catalogación. Plantea que la relación ideal entre la IA y los representantes humanos debe basarse en la complementariedad, más que en la sustitución. Según el autor, las máquinas pueden hacerse cargo de tareas repetitivas y estructuradas —como la clasificación inicial o el etiquetado automático—, mientras que los bibliotecarios y catalogadores deben conservar el papel de brindar juicio experto, interpretación contextual y garantía de calidad, elementos que aún son difícilmente automatizables

Además, Alemu insiste en que la implementación responsable de la IA en entornos bibliotecarios debe partir de los principios éticos de transparencia y precisión. Es fundamental que los sistemas automatizados actúen con transparencia, de modo que los usuarios puedan entender cómo se generan los metadatos y qué criterios siguen los algoritmos

La entrevista también destaca una visión esperanzadora para el futuro: la IA no debería percibirse como una amenaza, sino como una herramienta para potenciar la eficiencia, liberando a los profesionales de la biblioteconomía de labores mecánicas para enfocarse en aspectos más complejos y creativos de su labor. Alemu vislumbra un ecosistema en que la tecnología permita una mejor organización del conocimiento, sin sacrificar la supervisión humana ni el cuidado por la calidad bibliográfica.

La postura de Alemu subraya la necesidad de un enfoque equilibrado: integrar la IA como aliada, no como reemplazo, reforzando el rol humano a través de la ética, la transparencia y la experiencia profesional en catalogación y metadatos.

Análisis comparativo de chatbots de IA para la extracción de metadatos en bibliotecas universitarias

González-Espinoza, Alfredo, Dom Jebbia, y Haoyong Lan. «Metadata Augmentation Using NLP, Machine Learning and AI-Chatbots: A Comparison.» arXiv, abril 25, 2025. https://arxiv.org/abs/2504.17189

El estudio ofrece un análisis exhaustivo sobre el uso de herramientas de inteligencia artificial (IA) y aprendizaje automático para la tarea de recogida de metadatos, especialmente en el contexto de bibliotecas universitarias. Los avances recientes en estas tecnologías han permitido que tareas repetitivas, como la clasificación de documentos y la curación de datos, sean más automatizadas, lo que puede optimizar significativamente los flujos de trabajo en instituciones como las bibliotecas. Sin embargo, el desarrollo y la integración efectiva de estas herramientas en entornos de trabajo reales aún enfrentan desafíos importantes.

Los autores, Alfredo González-Espinoza, Dom Jebbia y Haoyong Lan, quienes son parte del equipo de Bibliotecas Universitarias en la Universidad Carnegie Mellon, realizan un estudio comparativo entre diferentes enfoques para la extracción de metadatos. En particular, se enfocan en el uso de chatbots comerciales basados en IA y su capacidad para realizar tareas de clasificación de documentos con datos limitados. Además, comparan estos resultados con los obtenidos mediante métodos tradicionales de aprendizaje automático y procesamiento de lenguaje natural (PLN), como XGBoost y el ajuste fino de BERT.

El análisis revela que, aunque los chatbots de IA muestran un rendimiento similar entre ellos, superan a los métodos de aprendizaje automático que fueron probados, especialmente cuando los chatbots se entrenan utilizando datos locales. Este hallazgo es significativo, ya que sugiere que, en situaciones con datos limitados, las soluciones basadas en IA pueden ser más efectivas que los enfoques tradicionales. Sin embargo, los autores también subrayan que, a pesar de su facilidad de uso en comparación con los métodos de programación tradicionales, los chatbots aún presentan retos para los usuarios en términos de obtener resultados útiles. A pesar de que la interacción con los chatbots puede parecer más accesible, los resultados no siempre son confiables y pueden requerir ajustes adicionales.

Un hallazgo preocupante del estudio fue la identificación de errores conceptuales alarmantes en algunos chatbots, tales como la incapacidad de contar correctamente el número de líneas de los textos de entrada. Curiosamente, algunos chatbots justificaron estos errores como «errores humanos», lo que resalta la necesidad de mejorar la precisión y la comprensión de estos sistemas. Este tipo de error pone en duda la fiabilidad de los chatbots de IA para tareas que requieren una precisión absoluta, como la clasificación de metadatos en bibliotecas, donde los detalles son cruciales.

A pesar de estos problemas, los autores concluyen que la información proporcionada en su estudio es valiosa para bibliotecarios y curadores de datos que deseen explorar el uso de herramientas de IA en la curación de datos o en el aumento de metadatos. Aunque los resultados no son concluyentes sobre la eficacia total de los chatbots de IA para la clasificación de metadatos, el artículo ofrece una visión importante sobre las ventajas y limitaciones de estas herramientas emergentes. En este sentido, el estudio puede servir como base para futuras investigaciones y como guía para los profesionales que están considerando integrar estas tecnologías en sus prácticas diarias.

El Grupo Operativo de Colaboración para el Enriquecimiento de Metadatos (COMET) publica su Llamamiento a la Acción de la Comunidad

Buttrick, Adam. 2025. «The Collaborative Metadata Enrichment Taskforce (COMET) Releases Their Community Call to Action.» Upstream, marzo 4, 2025. https://upstream.force11.org/the-collaborative-metadata-enrichment-taskforce-comet-releases-their-community-call-to-action

El Collaborative Metadata Enrichment Taskforce (COMET) ha publicado una convocatoria comunitaria para impulsar la colaboración en el enriquecimiento de metadatos, invitando a organizaciones e individuos a contribuir con recursos como financiación, experiencia técnica, metadatos e infraestructura. El objetivo de COMET es fortalecer y mejorar la calidad y completitud de los metadatos vinculados a los identificadores persistentes (PID), fundamentales para el seguimiento, la evaluación y la interoperabilidad en el ecosistema de la investigación académica y científica.

COMET nació en octubre de 2024 como respuesta a los debates surgidos durante dos importantes eventos internacionales: la conferencia FORCE2024, celebrada en Los Ángeles, y el Congreso de Información de Investigación Abierta en París. En estas reuniones, distintos actores del ámbito académico, institucional y editorial coincidieron en la necesidad urgente de adoptar estrategias colaborativas, lideradas por la propia comunidad, para resolver los problemas asociados a la calidad y estandarización de los metadatos.

A partir de estas discusiones iniciales, COMET evolucionó para convertirse en un grupo de trabajo formal dentro de la red FORCE11, contando actualmente con la participación de más de 50 representantes de universidades, organismos gubernamentales, editoriales académicas, agencias financiadoras e infraestructuras tecnológicas. Gracias a esta diversidad, se ha logrado publicar una visión común para un marco de trabajo colaborativo destinado al enriquecimiento de los metadatos, así como organizar sesiones participativas para identificar necesidades específicas de uso, definición de productos, requerimientos técnicos y estructuras de gobernanza adecuadas.

Ahora, COMET hace un llamado a la comunidad global para que participe en la siguiente fase del proyecto mediante distintas modalidades de colaboración:

  • Aportaciones en especie: Incorporando personal técnico que pueda contribuir de manera parcial o por proyectos, especialmente con experiencia en flujos de trabajo de enriquecimiento de metadatos y liderazgo en gobernanza y políticas. Esto permitiría integrar y coordinar esfuerzos ya existentes, evitando la duplicación de tareas entre instituciones que actualmente trabajan por separado en la mejora de metadatos.
  • Apoyo financiero: Para garantizar la sostenibilidad del proyecto a largo plazo, se requieren fondos destinados al desarrollo de la infraestructura técnica central, así como al diseño, implementación y prueba de modelos de curación de metadatos y a la creación de estructuras de gobernanza sólidas y abiertas. Los financiadores, además de su contribución económica, podrán desempeñar un papel estratégico en la configuración del futuro del enriquecimiento de metadatos, asegurando que los principios de equidad, apertura y sostenibilidad sean prioritarios.
  • Contribución de metadatos y participación en proyectos piloto: Organizaciones con experiencia previa en enriquecimiento de metadatos pueden aportar datos enriquecidos de sus propios flujos de trabajo, participar en proyectos piloto que evalúen la infraestructura técnica de COMET y colaborar en el diseño de métricas que permitan medir la calidad de los metadatos.

Este esfuerzo cobra especial relevancia en un contexto donde aumenta la presión sobre las organizaciones para cumplir con exigencias de acceso abierto, seguimiento de resultados y evaluación del impacto de la investigación. Estas obligaciones, cuando se afrontan de manera individual, resultan costosas y complejas. COMET ofrece una alternativa cooperativa, donde la mejora de los metadatos se entiende como una responsabilidad compartida entre toda la comunidad científica y académica, maximizando beneficios comunes y reduciendo cargas individuales.

Finalmente, COMET invita a todas las organizaciones interesadas a sumarse a esta iniciativa antes del 1 de mayo de 2025, especificando los recursos que pueden ofrecer, su experiencia previa en enriquecimiento de metadatos y su disposición a participar en las estructuras de gobernanza. Para más información y para registrar la participación, se ha habilitado un formulario en el sitio web de COMET y se llevará a cabo un seminario web informativo el próximo 5 de marzo de 2025.

En definitiva, COMET busca transformar la manera en que se enriquecen y gestionan los metadatos en la ciencia abierta, apostando por un modelo cooperativo, sostenible y transparente que permita a toda la comunidad beneficiarse de una infraestructura común al servicio del conocimiento global.

Informe de la Conferencia de París sobre Información Abierta para la Investigación

Information, Barcelona Declaration on Open Research. «Report of the Paris Conference on  Open Research Information». Zenodo, 8 de noviembre de 2024. https://doi.org/10.5281/zenodo.14054244.

Texto completo

Report of the Paris Conference on Open Research Information, describe los resultados de una conferencia celebrada en septiembre de 2024 en la Universidad de la Sorbona en París, donde se discutieron los próximos pasos para avanzar en la agenda de la Declaración de Barcelona sobre Información de Investigación Abierta. Durante el evento, que fue híbrido (presencial y en línea), participaron alrededor de 140 personas que compartieron avances y desafíos en la producción, gestión y uso de información de investigación abierta, y colaboraron en la elaboración de un plan de acción para los próximos años.

El primer día estuvo centrado en el intercambio de experiencias, mientras que el segundo se enfocó en la formulación de acciones concretas. En total, se presentaron 21 charlas, abarcando temas como las políticas universitarias y su implementación práctica, el papel de los financiadores y las organizaciones gubernamentales, las colaboraciones internacionales y las infraestructuras necesarias para respaldar la investigación abierta.

Entre las acciones prioritarias destacaron:

  1. Metadatos de artículos de revistas: Mejora en la estructuración y el intercambio de datos relacionados con los artículos de investigación.
  2. Metadatos de salidas de investigación en repositorios institucionales: Incluyendo preprints y repositorios de datos.
  3. Metadatos sobre la financiación: Establecer sistemas claros y abiertos para seguir el rastro del financiamiento de investigaciones.
  4. Sustitución de sistemas cerrados: Migrar de plataformas privadas a sistemas abiertos para gestionar la información de la investigación.
  5. Sostenibilidad de infraestructuras: Asegurar que las infraestructuras que soportan la investigación abierta sean viables a largo plazo.
  6. Evaluación de los datos abiertos: Crear marcos para medir los beneficios de los datos abiertos en la investigación.

Al final de la conferencia, se implementó un marco de teoría del cambio para clasificar las acciones en cuatro categorías: recolección de información, marcos y análisis, principios y directrices, y implementación y monitoreo. Esto permitirá construir una hoja de ruta concreta para coordinar las actividades de los próximos años.

Las organizaciones están invitadas a participar en los grupos de trabajo que llevarán adelante estas acciones a partir de 2025, con un enfoque en la colaboración y la coordinación global para fortalecer la investigación abierta. Se ha solicitado a las organizaciones interesadas que se inscriban antes del 30 de noviembre de 2024.

Metadatos de alta calidad: Una responsabilidad y una oportunidad colectivas.

Buttrick, Adam. «High-Quality Metadata: A Collective Responsibility and Opportunity.» Upstream, August 13, 2024. https://upstream.force11.org/high-quality-metadata/

La comunidad y las herramientas relacionadas con los Identificadores de Objetos Digitales (DOI, por sus siglas en inglés) dependen de metadatos de alta calidad para establecer conexiones y mejorar la eficiencia. Sin embargo, el modelo actual, donde las mejoras en estos metadatos se limitan a sus creadores o se realizan dentro de silos a nivel de servicio, perpetúa un sistema con importantes lagunas, ineficiencias y desconexiones. Pero este no tiene por qué ser el caso. Al construir de manera colaborativa sistemas abiertos, robustos y escalables para enriquecer los metadatos DOI, la comunidad puede aprovechar su trabajo colectivo para superar estas barreras y mejorar el estado e interconexión de la información de investigación.

La construcción del corpus de metadatos DOI a lo largo de los años ha enseñado a la comunidad una lección importante: cuando se trabaja en conjunto para definir cómo debería existir la infraestructura y cómo se desea mejorarla, se logran mejores resultados que cuando este trabajo se realiza de manera aislada. La administración colectiva de las fuentes compartidas de verdad permite tomar decisiones correctas para el mayor número posible de personas.

El enriquecimiento comunitario de los metadatos DOI presenta desafíos significativos, aunque no insuperables. La reunión inicial en Los Ángeles reafirmó el interés de la comunidad en abordar este desafío de manera conjunta, tal como se ha hecho con otras iniciativas de infraestructura exitosas. A través de la colaboración y el uso de la experiencia compartida, es posible construir un sistema de información de investigación mejor y más conectado. UC3 continuará con estas discusiones críticas e invita a la comunidad a mantenerse involucrada.

Declaración Conjunta sobre los Derechos de Metadatos de las Bibliotecas

Joint Statement on the Metadata Rights of Libraries. ICOLC, 2023

Texto completo

La Declaración Conjunta sobre los Derechos de Metadatos de las Bibliotecas, publicada el 21 de marzo de 2023 por ALA Core e ICOLC, insta a todas las organizaciones, tanto con fines de lucro como sin fines de lucro, a proteger los derechos e intereses de las bibliotecas para usar, reutilizar, adaptar, agregar y compartir metadatos que describan las colecciones bibliotecarias en beneficio del interés público, sin restricción ni limitación.

El documento resalta que los metadatos y los servicios de metadatos que describen las colecciones de bibliotecas son fundamentales para apoyar el descubrimiento de contenido, la creación de conocimiento y las misiones públicas de las bibliotecas. Se reconoce que los metadatos que describen las colecciones bibliotecarias generalmente no son objeto de derechos de autor y deben considerarse libremente compartibles y reutilizables en la mayoría de los casos.

Se enfatiza que las bibliotecas han creado metadatos sobre sus colecciones con la intención explícita de que se compartan, reutilicen y modifiquen abiertamente de manera no restringida para promover el acceso a la información. Estos metadatos son esenciales para las misiones educativas y sin fines de lucro de las bibliotecas, ya que facilitan el descubrimiento y acceso a los materiales de la biblioteca, apoyan la colaboración entre bibliotecas, contribuyen a la toma de decisiones informadas sobre compras de bibliotecas y permiten observar las tendencias en el uso de metadatos a nivel regional y mundial.

Sin embargo, se señala que las tendencias actuales de la industria están obstaculizando los derechos y la capacidad de innovación y colaboración de las bibliotecas al restringir el uso, la reutilización y el intercambio de metadatos. Se destaca la presión del mercado que limita las opciones de servicios de metadatos asequibles y las restricciones impuestas en el uso de metadatos en colaboraciones, plataformas, tipos de sistemas y proveedores.

Enlace a la declaración original de ICOLC (26 de agosto de 2022): https://icolc.net/statements/icolc-statement-metadata-rights-libraries