Code Number: 079-155(WS)-E 
Division Number: IV 
Professional Group: Cataloguing: Workshop 
Joint Meeting with: - 
Meeting Number: 
Simultaneous Interpretation:   No

Katalogisierung in der Universellen Zeichensatz-Umgebung : 

Was sind die Grenzen?

Abstract

Katalogisierer erwarten vermutlich, daß ein so umfangreiches Zeichenrepertoire den gesamten Bedarf für die exakte Transkription bibliographischer Daten decken kann. Dieses Papier untersucht das Thema der exakten Transkription, und Situationen, wo sie gegenwärtig nicht angewendet wird. Das eigentliche Konzept des Zeichensatzes von Unicode und  ISO/IEC 10646 wird erläutert, gefolgt von einer Diskussion, ob man mit schlichten Zeichenketten wirklich alle Anforderungen der exakten Transkription erfüllen kann. 

Anm. d. Übers.: Mit "Transkription" ist das Verfahren der Übernahme von Daten aus der Vorlage gemeint, was ja weitaus mehr ist als ein bloßes Abschreiben.

Text

Ich werde hier über die AACR2 sprechen.¹ Mir ist bekannt, daß dieses Regelwerk nicht überall angewendet wird. Da ich jedoch aus einer englischsprachigen Umgebung komme, ist dies das Regelwerk, mit dem ich vertraut bin. Außerdem haben die AACR2 einen ungewöhnlich großen Einfluß gehabt: direkt und indirekt. Direkt durch Übersetzungen in andere Sprachen, die dann als Grundlage für andere Regelwerke dienten. Indirekt immer dann, wenn einer der sehr vielen Datensätze aus der englischsprachigen Welt zu Erstellung eines neuen Datensatzes kopiert wurde.Auch wenn die Sprache der Katalogisierung nicht Englisch ist, kann die auf der Vorlage beruhende bibliographische Beschreibung dennoch nützlich sein und Zeit sparen. 

Regel 1.0E der AACR2, Sprache und Schrift der Beschreibung, sagt unter anderem: 

Für die folgenden Bereiche sind die Angaben, die aus der Vorlage übernommen werden, in der Sprache und Schrift der Vorlage (wenn möglich) darzustellen:
Titel und Verfasserangabe 
Ausgabebezeichnung
Veröffentlichungsvermerk
Gesamttitelangabe 
Symbole oder andere mit den technischen Mitteln der Erfassung nicht darstellbare Angaben sind in eckigen Klammern zu umschreiben. Wo es notwendig ist, macht man eine erläuternde Fußnote.

Ich möchte auch die Frage der bibliographisch getreuen Transkription behandeln, was ich einmal die "Genauigkeit" der Katalogisierung nenne.
Immer wieder werde ich die Wirkungen auf das Retrieval ansprechen, insbesondere auf das systemübergreifende Suchen, die wir uns verdeutlichen müssen, wenn wir Katalogisierungsentscheidungen treffen.

Es war ja schon vor Unicode und ISO/IEC 10646 möglich, mehrere Schriftsysteme zu unterstützen. RLIN hat 1983 mit CJK angefangen (Chinese-Japanese-Korean),⁴ und Ostasiatische Normen haben immer mehrere Schriften umfaßt - die Implementierung einer Schriftenvielfalt wird aber einfacher, sobald Unicode-Softwareprodukte verfügbar werden.

Der Unicode Standard und ISO/IEC 10646 stellen ein viel größeres Repertoire von Schriften und Zeichen zur Verfügung als momentan irgendeine bibliothekarische Anwendung, einschließlich USMARC⁵ und UNIMARC.⁶ Die Erweiterung des Schriftenrepertoires bedeutet nicht nur die Bereitstellung von Schriften, die man bisher nie hatte, sondern auch mehr Zeichen in den bisher schon verwendeten Schriften. Hier ein Vergleich für den Umfang der Zeichensätze in mehreren Schriften:
 

Schrift	Zeichenart	USMARC/ UNIMARC	JIS X 0208 7	Unicode Standard Version 3.0
Kyrillisch	Buchstaben	102	66	237
Latein	Zusätzl. nichtakzentuierte  Buchstaben	21	0	163
Arabisch	Buchstaben	124	---	141
Asiatische Ideogramme	Ideogramme	13,469 (86% of EACC 8)	6,353	27,484

Erwarten Sie aber dennoch bitte nicht, daß  Unicode und ISO/IEC 10646 für die Transkription nun schlichtweg alles leisten können: 

1. Nicht alles, was man in einer Informationsquelle sieht,  ist auch im Repertoire. 
2. Nicht alles, was Sie für die Transkription zu brauchen meinen, kann im Repertoire sein. 
3. Einige Schriften erfordern zusätzlichen Implementierungsaufwand und erweiterte Fonts für ihre korrekte Darstellung.

Was es nicht gibt

Das Repertoire hat nicht aufgehört zu wachsen: verschiedene Schriften von Minderheitensprachen stehen noch aus, noch mehr Symbole könnten aufgenommen werden, und bedeutende ausgestorbene Schriften, wie Hieroglyphen und Keilschrift, sind noch in Bearbeitung. (Es mag nur wenige Bibliotheken geben, die Papyri und tontäfelchen sammeln und katalogisieren, aber die ausgestorbenen Schriften sind allgemein bedeutsam für die Wissenschaft und speziell für gewisse Museen. 

Ein umfassender Font auch nur für den momentanen Unicode Zeichensatz wäre sehr groß, und es ist praktischer, nur Fonts zu verwenden für die Schriften, die im Bestand Ihrer Bibliothek vertreten sind.
Sie werden wahrscheinlich nicht das Fehlen einer bestimmten Schrift bemerken, sondern eher eines bestimmten Zeichens, so z.B. wenn im Titel eines Mathematikbuches ein Symbol vorkommt, das im Block für mathematische Operatoren nicht vertreten ist. Gelegentlich werden Sie also immer noch nicht alles 100%ig transkribieren können, was in der Informationsquelle steht.

Aber, protestieren Sie jetzt, ich dachte, Unicode hätte alles, was ich jemals brauchen würde!
Aus mehreren Gründen ist die Antwort Nein:
 

• Was Sie in der Informationsquelle sehen, ist ein extrem seltenes Zeichen und daher einfach nicht erfaßt worden; 
• Was Sie sehen, ist zwar bekannt, wird aber zur Aufnahme in Unicode noch diskutiert;
• Was Sie sehen, ist zwar bekannt, wird aber nach den Unicode Designprinzipien nicht als ein separat zu codierendes Zeichen angesehen. 

Zeichen, nicht Zeichenformen bedeutet,  daß einige typographische Aspekte höherer Ebene unbedeutsam sind, wenn der Umfang des Zeichensatzes festzulegen ist.
Beispiele für typographisches Aspekte sind: 

• Der nashki-Stil der arabischen Schrift gegenüber dem nastaliq-Stil; 
• Unterschiedliche Schreibweisen eines asiatischen Ideogramms; 
• Unterschiedliche Schreibweisen eines kyrillischen Buchstabens in einzelnen Sprachen; 
• Kontraktionen, typographische Digramme, etc. [z.b. fi, fl, ffl etc.] 

• Die Grapheme, in denen eine bestimmte Sprache geschrieben wird (z.B. ein Alphabet) werden nicht separat codiert; 
• Sprachabhängige Unterschiede in der Schreibweise eines Buchstabens oder Ideogramms werden nicht als unterschiedliche Zeichen codiert. 

Der ursprüngliche Ansatz zur Darstellung von Text in maschinenlesbarer Form war, jedem unterscheidbaren Zeichen auf dem Papier einen eigenen Code zu geben, obwohl man einige allgemein akzeptierte Fälle vereinheitlichte (z.B. die unterschiedlichen Formen der Kleinbuchstaben a und g).

Zeichensätze für asiatische Sprachen verwendeten manchmal individuelle Codes für unterschiedliche Schreibweisen desselben Symbols.Bibliothekarische Zeichensätze haben nicht selten auch diesen Ansatz des "Codiere was du siehst", abgesehen von dem Gebrauch von nicht-vorrückenden Zeichen zur Codierung akzentuierter lateinischer Buchstaben, wobei ein Buchstabe mit Diakritikum durch zwei Zeichen dargestellt wird. (Kritiker würden sagen, daß der Buchstabe "auseinandergebrochen" wird.)

Der Unicode-Standard führte einen mehrschichtigen Ansatz zur Darstellung von Text ein. "Das Design einer Zeichensatz-Codierung muß genau diejenigen Codeelemente bereitstellen, die es Programmierern ermöglichen, Anwendungen zu entwerfen, die eine Vielzahl von Textoperationen in den gewünschten Sprachen umfassen können."⁹
Das hat u.a. zur Folge, daß die codierten Zeichen des Textes nicht unbedingt 1:1 mit den Zeichen korrespondieren, die das Auge wahrnimmt.

Die einfachste Art der Textdarstellung ist schlichter Text, eine bloße Folge von Zeichencodes.
Unicode Daten sind schlichter Text. Um aber exakt das hervorbringen zu können, was gewünscht wrd, müssen manchmal höhrere Protokolle verwendet werden, wie z.B. eine Identifizierung der Sprache oder explizite Layout-Anweisungen, damit man "hübschen" Text oder angereicherten Text erhält. USMARC und UNIMARC verwenden auch nur schlichten Text, die Zeichensätze halten aber möglicherweise separate Codierungen bereit für Dinge, die in Unicode/ISO 10646 vereinheitlicht sind. 

Wir müssen daher die folgenden Fragen betrachten: 

• Wie genau müssen wir bei der Transkription sein? 
• WENN wir extrem genau sein müssen, wie vereinbaren wir das mit Unicode? 

Bewertung der Genauigkeit in der Transkription

Exaktheit der Ttranskription ist nötig, um die zu beschreibende Vorlage eindeutig zu beschreiben und dadurch zuverlässig zugänglich zu machen. Allerdings transkribieren wir die Angaben der Vorlage nicht in jedem Fall 100% getreu.
Ein Grund dafür ist, daß die Katalogisierungsregeln oder ihre Interpretation durch die katalogisierende Institution nicht immer verlangen, manchmal sogar nicht gestatten, daß bestimmte Daten transkribiert werden. Hier ein Beispiel: Die hebräische Sprache wird normalerweise unvokalisiert geschrieben, d.h. ohne Vokalpunkte und andere Aussprachezeichen. Manchmal sind diese Aussprachehilfen aber in der Vorlage vorhanden; z.B. wenn der Verfasser oder Verleger anzeigen möchte, daß ein Wort in ungewöhnlicher Weise ausgesprochen wird. Die Library of Congress jedoch, in ihren Richtlinien für hebräische Katalogisierung ¹⁰, stützt sich auf AACR-Regel 1.0G, Akzente und andere Diakritika, und interpretiert diese (wie ich meine, inkorrekt) so, daß sie die Übernahme von Vokalisierungszeichen ausdrücklich verbietet.

Eine Ausnahme von der Genauigkeit wird notwendig, wenn die typographischen Mittel dafür fehlen; ein Problem, das durch Regel 1.0E ausdrücklich anerkannt wird. Diese Regel bietet als Lösung an, das nicht verfügbare Textelement zu beschreiben. Dies erzeugt ein Problem für das systemübergeifende  Suchen  - sollte die eingefügte Beschreibung beim Suchen ignoriert werden, sollte man sie als "Joker"-Zeichen behandeln, das mit allem übereinstimmt, oder ...? Unmöglich kann der Endnutzer erraten, welche Umschreibung der katalogisierer gewählt hat.

Es gibt auch ungeschriebene Regeln für Ausnahmen von der Genauigkeit. Außer bei sehr alten und anderen wertvollen Büchern ignorieren wir routinemäßig den Schriftschnitt, kalligraphische Besonderheiten usw., wenn wir Angaben aus der Vorlage übernehmen, ohne solche Eigenheiten in irgendeiner Weise zu notieren. Das geschieht aus pragmatischen Gründen, da für die meisten Werke die Unterscheidung der genannten Eigenheiten nicht gebraucht wird.
[Anm. d. Übers.:  Hierher gehören wohl auch Spielereien auf dem Titelblatt wie seitenverkehrte oder kopfstehende Buchstaben, z.B. ein umgedrehtes 'R', um dem Titel einen russischen Touch zu geben. Auch wenn man kyrillische Zeichen hätte, würde man an dieser Stelle dennoch das korrekte R einsetzen, und keinesfalls würde man den pseudo-kyrillischen Buchstaben als "Ja" transliterieren.]

Wenn eine ganze Schrift nicht dargestellt werden kann, gibt es verschiedene Möglichkeiten. Wird in lateinischer Schrift katalogisiert, ist die Lösung meistens "Romanisierung": Transliteration oder Transkription des Originaltextes in lateinische Schrift. Wellisch¹¹ fand 1976, daß die "romanization tables" der LC (jetzt  ALA/LC) am meisten verbreitet waren, gefolgt von denen der ISO. Ist Russisch oder eine andere kyrillisch geschriebene Sprache die Katalogisierungssprache, wird manchmal der Fremdtext "kyrillisiert". Aber nicht alle Sprachen benutzen ein Alphabet oder eine Silbenschrift, und andere Lösungen sind, die Angaben in die lokale Sprache zu übersetzen, oder einen handgeschriebenen Zettelkatalog zu führen.

Alle diese Alternativen erschweren den Zugriff. Wird mit Romanisierung oder Kyrillisierung gearbeitet, muß der Nutzer dieses wissen und das für eine bestimmte Sprache angewendete Schema kennen und dieses Schema anwenden können, um einen korrekten Suchbegriff bilden zu können.
Ein Nutzer weiß oftmals nichts von der Praxis der Bibliothek und wendet ein ganz anderes Schema an. Im Falle von Übersetzungen stimmt womöglich die des Nutzers nicht mit der des Katalogisierers überein. Zettelkataloge, falls nicht in Buchform veröffentlicht, können nicht mit Fernzugriff durchsucht werden.
 

Mangel an codierten Zeichen?

Historisch gesehen war ein Hauptgrund für exakte Transkription der, daß man ein Surrogat für die bibliograpische Einheit erstellen mußte, mit soviel Detailtreue wie möglich. Man hatte keine andere Möglichkeit, die Vorlage in einem Zettel- oder Bandkatalog zu repräsentieren.

Als problematisch für exakte Transkription wird meistens auf Ideogramme hingewiesen, jedoch ist das nicht das einzige. Wenn man Tonträger katalogisiert, was macht man mit dem Namenssymbol, das von dem "früher als Prince bekannten Künstler" benutzt wird?

Ein weiterer Problembereich ist die Mathematik, wo man 2dimensionale Formeln in eine eindimensionale Zeichenfolge bringen muß. Sargent hat beschrieben, wie man mathematische Formeln mit Unicode wiedergeben kann.

Probleme mit Ideogrammen  entstehen entweder, weil das Ideogramm noch keinen Code besitzt, oder wenn unterschiedliche Formen des Ideogramms durch nur einen Code repräsentiert werden (wie von Zhang & Zhen festgestellt).¹²  Zu den nicht verfügbaren Ideogrammen gehören sowohl die wirklich einmaligen Ideogramme (für persönliche Namen) und solche, die in einer bestimmten Umgebung allgemein gebräuchlich sind, aber noch nicht im Vereinheitlichten Han (z.B. einige der offiziell sanktionierten Ideogramme in Hong Kong, oder Ideogramme, die in geographischen Namen vorkommen.) In solcher Situation kann man folgendes tun: 

• Das geta-Symbol kann für das nichtverfügbare Ideogramm eingesetzt werden. Das geta komme aus der japanischen Typographie und ist ein Platzhalter für ein später einzufügendes Ideogramm. Diese Technik wird in USMARC-Daten benutzt.

 
• Ideographische Beschreibungszeichen sollen dem Nutzer helfen, sich das nicht verfügbare Zeichen vorzustellen. Version 3.0 des Unicode Standard und die zweite Ausgabe der  ISO/IEC 10646 enthalten solche Zeichen.. 

• Man benutzt ein höheres Protokoll, z.B. in SGML¹³ , um darauf zu bestehen, daß dieses Zeichen in einem besonderen Schriftstil dargestellt wird. (Weil sowohl USMARC als auch UNIMARC schlichten Text benutzen, können sie derzeit solcheTechniken nicht anwenden.) 
• Man stellt die ideographischen Daten dar, indem man eine Schriftart benutzt, die durch den Sprach- oder Ländercode des Datensatzes bestimmt wird. Wenn z.B. der Sprachcode chi ist und das Veröffentlichungsland cc, wäre die Schriftart ein vereinfachter Stil des Chinesischen.Wäre der Sprachcode jpn, sollte die Schriftart eine mit typischen kanji-Zeichen sein. (Diese Alternative wird nur funktionieren, wenn der Inhalt des Satzes eindeutig ist, und wenn die Ideogramme, die auf der Vorlage erscheinen, konsistent sind mit der Sprachform des Werkes und des Erscheinungsortes.) 
• Das Unicode Technical Committee hat sich mit einem Vorschlag beschäftigt, der ideographische Varianten durch schlichten Text andeutet. Vielleicht wird das die Lösung sein. 

Eine denkbare allgemeine Lösung des Problems der ungenauen Transkription in bibliographischen Daten ist der Gebrauch von Hyperlinks. In einem WWW-Katalog können wir zu einem eingescannten Bild der Informationsquelle verzweigen. Der Nachteil eines gescannten Bildes ist, daß keine Suche möglich ist nach dem Vorkommen einer speziellen Zeichenform, doch eine solche Operation wird wohl eher von einer Volltextsuche erwartet  als von der Katalogisierung.

Schlußfolgerungen

Die Verantwortlichen für die verschiedenen MARC-Formate müssen mit Katalogisierern zusammenarbeiten, um herauszufinden, ob man das Konzept des "schlichten Textes" der gegenwärtigen Formate revidieren sollte. Es geht nicht einfach darum, Unicode/ISO 10646 als zulässigen Zeichensatz zu erklären (wie man es für UNIMARC ¹⁴ gemacht hat) oder die notwendigen Änderungen im Detail zu spezifizieren (Was sowohl für USMARC¹⁵ und UNIMARC im Gange ist). 
Das ist ein erster und notwendiger Schritt, aber die Erfordernisse der Katalogisierung verlangen vielleicht doch etwas jenseits des "schlichten Textes" der Unicode/ISO/IEC 10646 Normen.
Wenn das so ist, müssen die verschiedenen MARC-Formate eine Verfahrensweise entwickeln, um das zu ermöglichen. 

Zu beantworten ist die Frage: Sind Katalogdaten "schlichter Text", oder müssen sie etwas mehr sein?
 

Literatur

2 Der Unicode-Standard, Version 2.1, besteht aus::

• The Unicode Consortium, The Unicode Standard, Version 2.0, Addison-Wesley, Reading, MA, 1996. (ISBN 0-201-48345-9) 
• The Unicode Standard, Version 2.1. (Unicode Technical Report # 8) Published on the Web at http://www.unicode.org/unicode/reports/tr8.html 
For a paper copy of Version 2.1, contact the Unicode Consortium.
Version 2.0 can be ordered online from the Unicode Consortium (specify delivery method) at http://www.unicode.org/unicode/uni2book/u2ord.html or through the book trade. 

3 International Organization for Standardization. Information Technology -- Universal Multiple-Octet Coded Character Set (UCS), Part 1: Architecture and Basic Multilingual Plane, Geneva, 1993. (ISO/IEC 10646-1:1993). 

This International Standard is augmented by Technical Corrigendum 1:1996, Technical Corrigendum 2:1998, and nineteen Amendments (published between 1996 and 1999). 

5 USMARC Specifications for Record Structure, Character Sets, and Exchange Media, prepared by Network Development and MARC Standards Office, 1994 ed., Cataloging Distribution Service, Library of Congress, Washington, D.C, 1994. 

USMARC Format for Bibliographic Data, including Guidelines for Content Designation, prepared by Network Development and MARC Standards Office, 1994 ed., Cataloging Distribution Service, Library of Congress, Washington, D.C, 1994 -

 USMARC Format for Authority Data, including Guidelines for Content Designation, prepared by Network Development and MARC Standards Office, 1993 ed., Cataloging Distribution Service, Library of Congress, Washington, D.C, 1993 - 

For additional USMARC documentation see the Library of Congress' Web site. 

6 UNIMARC Manual: Bibliographic Format, B. P. Holt and S. H. McCallum, eds., 2d ed., Saur, Munich, 1994. 

UNIMARC/Authorities: Universal Format for Authorities, Saur, Munchen, 1991. (ISBN 3-598-10986-5) 

7 Japanese Standards Association. Code of the Japanese Graphic Character Set for Information Interchange. [English translation of JIS X 0208-1983] Tokyo, 1987. (JIS X 0208-1983) 

8 American National Standards Institute, East Asian Character Code for Bibliographic Use, Transaction, New Brunswick, NJ, 1990. (ANSI Z39.64-1989). 

9 The Unicode Standard, Version 2.0, p. 2-2. 

10 Library of Congress. Descriptive Cataloging Division. Hebraica Cataloging: a guide to ALA/LC Romanization and Descriptive Cataloging, prepared by Paul Maher (Descriptive Cataloging Division). Cataloging Distribution Service, Library of Congress, Washington, D.C, 1987. 

11 Wellisch, Hans H., "Script Conversion Practices in the World's Libraries," International Library Review 8:55-84 (1976). 

12 Zhang, Foster J. and Zeng, Marcia Lei , Multiscript information processing on crossroads: demands for shifting from diverse character code sets to the Unicode Standard in library applications (Paper at 64th IFLA General Conference, 1998) http://www.ifla.org/IV/ifla64/058-86e.htm 

13 International Organization for Standardization. Information processing -- Text and office systems -- Standard Generalized Markup Language (SGML), Geneva, 1986. (ISO 8879:1986) 

This International Standard is augmented by Technical Corrigendum 1:1996 and Amendment 1:1988. 

15 Unicode Identification and Encoding in USMARC Records, submitted by MARBI Unicode Encoding and Recognition Technical Issues Task Force, 1998. (MARBI Proposal No: 98-18) http://lcweb.loc.gov/marc/marbi/1998/98-18.html