NB-BibliothecaNova 0414nett

Emneord vil typisk være mer generelle enn innholdsord. I
indekseringen av en bok kan ordene kunst og skulpturer benyttes
som beskrivende emneord, mens boken selv handler om
spesifikke figurer i Vigelandsparken, eller om Vigeland selv.
Innholdsord vil typisk være lavere plassert i et semantisk
hierarki enn det emneordene er, gjerne som semantiske rammer
for flere aktører eller objekter; Vigeland er en aktør som
lager skulpturer. Andre relasjoner mellom innhold og emne
kan være i taksonomiske hierarkier som forholdet mellom
Lars G. Johnsen,
egg og næringsmiddel, men også der emneordene er knyttet
forskningsbibliotekar,
til begrepet matlaging som komponenter. Begrepet setter opp Nasjonalbiblioteket.
en ramme der objekter som melk, mel og salt inngår, mens Foto: Nasjonalbiblioteket
begrepet religion setter opp en ramme for relasjoner mellom gud, profeter
og frelse, samtidig som det står i et taksonomisk forhold til kristendom og
hinduisme, for å nevne noe.
En metode som skal foreslå typiske innholdsord fra en tekst, bør kunne
relatere forslagene enten taksonomisk eller via de semantiske rammene for
emneordene i den klassifiserte teksten.
De digitaliserte tekstene er gjort maskinlesbare via OCR-behandling 2 , og
er derfor tilgjengelig for ordtelling. Datagrunnlaget er Nasjonalbibliotekets
samling av digitaliserte bøker som har fått en Deweyklassifikasjon (heretter
DDK – Deweys desimalklassifikasjon).
Informasjonen som skal eskes ut er bøkenes implisitte informasjon om forholdet
mellom innholdsord, klassifikasjonskode (Dewey) og emneord. Ordene
i en klassifisert bok vil være indirekte koblet til bokens klassifikasjonskode;
vi kan si at ordene arver klassifikasjonen fra boken de står i. Altså, et ord er
koblet til en spesifikk klassifikasjonskode når boken det står i er slik koblet.
DATAINNSAMLING
De to hovedgruppene, emneord og innholdsord, er hentet ut fra BIBSYS og
fra bokhyllamaterialet, henholdsvis. Titlene er fra en liste over digitalisert
materiale frem til 2013. Fra disse velges bokmåls- og nynorsktekster, og
kun de som er entydig klassifisert som bokmål eller nynorsk; flerspråklige
verk er ikke tatt med. Totalt utgjør det ca. 240 000 titler, hvorav ca. 144 000
2 OCR (Optical Character Recognition) – gjenkjenning av bokstaver og ord fra bilder av
skrift.
65