中国少数民族语言网络信息资源的保存标准体系研究应用.doc

中国少数民族语言网络信息资源保留体系研究
赵生辉
-9-21 10:47:36　　起源：《情报资料工作》02期
　　【英文标题】Preservation System Research of Internet Information Resources in China's Ethnic Minority Languages

　　【作者介绍】赵生辉，男，1977年生，西藏民族学院管理学院讲师，武汉大学信息管理学院档案和政务信息学系博士硕士，咸阳712082

　　【内容提要】 文章在介绍少数民族语言网络信息资源发展概况基础上，分析了少数民族语言网络信息资源长久保留内涵、需求等问题。基于档案化管理、多元一体和信息共享理念，设计了少数民族语言网络信息资源保留体系整体架构。

　　Based on the introduction of network information resource in minority languages of China, this paper analyzes the connotation, requirement of long-term preservation for these resource. According on the idea of archiving management, diversity and integrity as well as information sharing, the author designs the whole architecture of preservation system for network information resource in minority languages of China.

　　【关 键 词】少数民族语言/网络信息资源/长久保留/架构设计minority languages of China/network information resource/long-term preservation/architecture design

　　中国是统一多民族国家，多民族、多语言、多文字是国情基础特征。互联网当中，除了以国家通用汉语和汉字作为信息统计语言之外，中国民族地域社会实践和民族事务管理过程中建立各类语种各异、类型丰富、功效多样少数民族语言网站、网页和其它网络资源也是中国网络信息资源关键组成部分，其长久保留对少数民族文化保护、国家语言文字政策实践证据保留、少数民族语言语料积累和信息资源大范围利用等方面含相关键意义。

　　1、少数民族语言网络信息资源长久保留概述

　　少数民族语言网络信息资源是指主体内容使用中国境内各少数民族历史上曾经通用或现在正在使用、表现本民族传统文化特征文字或语音符号作为信息统计方法网站、网页或其它网络资源，现在关键关注是由蒙古文、藏文、维吾尔文、哈萨克文、朝鲜文、彝文、壮文等使用人口较多、影响面较大语种文字所建立网站或网页。

　　1.1少数民族语言网络信息资源发展概况

　　1月6日，中国互联网上第一个少数民族文字网站“同元藏文网站”正式开通，标志着中国少数民族语言网络信息服务开端。以后，民族地域和包含民族事务部分机构相继在互联网上建立了少数民族文字网站或网页。内蒙古自治区建成中国蒙文知识产权服务平台，提供专利专栏、商标专栏、版权专栏、商业秘密、知识产权政策法规、知识产权保护、文件检索等约15万字蒙文信息[1]。据统计，从20世纪90年代末到本世纪初中国建立蒙古文网站有数百个[2]。截至，中国藏区已经有近百种藏文报纸、刊物及网站，成为宣传党政策、传输藏区社会发展最新动态、传输中国外信息关键媒介[3]。截至第一季度，新疆维吾尔自治区建立较为稳定少数民族文字网站500余个，其中维吾尔文网站400余个、哈萨克文网站30余个[4]。，权威媒体“人民网”推出维吾尔文、哈萨克文、彝文、壮文四种少数民族文字网页和藏文、维文两种手机报，实现了蒙文、藏文、维吾尔文、哈萨克文、朝鲜文、彝文、壮文七种少数民族文字网页全部上线，成为全国互联网站中首家实现党代会、人代会七种关键少数民族语言全覆盖网站[5]。

　　1.2少数民族语言网络信息资源长久保留紧迫性

　　从20世纪末期开始，美国、澳大利亚、丹麦、瑞典、荷兰等国家图书馆和档案馆就已经意识到网络信息资源保留关键性并相继开展了部分网络信息保留试验项目，中国也已经开启了多个汉字网络信息保留研究项目，不过对于少数民族语言网络信息保留问题较少包含。少数民族语言网站和网页发展使得中国网络信息资源类型愈加丰富，也是中国政府保护少数民族语言文字、促进少数民族文化在信息时代传承和发扬政策表现。然而，因为少数民族语言文字信息处理技术相对非成熟性和少数民族语言网站用户群体有限性，少数民族语言网络信息资源生命周期却很短暂。依据美国数字信息基础架构和保留项目（NDIIPP）研究，网络信息资源平均生命周期仅有44天[6]。相比之下，少数民族语言网页生命周期就愈加短暂，受到支撑技术影响，网页出现乱码、断链等故障概率远远高于通常性网页。假如任由这种情况继续下去，大量少数民族语言网络信息资源在互联网上“昙花一现”以后就再难以找到，这对少数民族文化保护无疑是巨大损失，同时可能造成这一领域社会记忆“断层”现象。网络信息资源含有数字化特征，消失以后就极难再找回来，依据中国少数民族语言网络信息资源特点，深入分析其长久保留功效需求，明确少数民族语言网络信息资源保留责任体系，建立适应中国民族地域实际少数民族语言网络信息资源采集、保留和利用体系是目前迫切需要处理问题。

　　1.3少数民族语言网络信息资源长久保留概念和内涵

　　少数民族语言网络信息资源总量相对较少，用户数量也不多，在短期内其文化价值和档案价值要远远高于商业价值，私人组织通常不愿意投资这类项目，需要政府机构负担其关键责任，经过财政手段推进项目标运行和建设。少数民族语言网络信息资源长久保留是指国家为了保护表现为网络信息资源少数民族文化，保留国家帮助和支持少数民族文字信息处理工作证据，积累少数民族语言语料资源，开发和利用深层知识，建立整体性技术架构和管理体系，搜集和保留各类少数民族语言网络信息资源，为全社会提供综合性信息服务过程。上述概念内涵关键表现在以下方面：（1）战略性。少数民族语言网络信息资源保留不仅仅是一个技术行为，而是包含了政治、文化原因在内复杂性问题，必需从战略层面上进行计划和管理；（2）整体性。少数民族语言语种众多，不过少数民族语言网络信息资源保留关键是全部语种少数民族语言网络信息资源共同特征和共性需求，而不拘泥于某一语种网络信息资源了解问题；（3）基础性。少数民族语言网络信息长久保留意在为同一类型网络信息资源提供基础性技术架构和管理方案，不能因为某一语种网络信息资源数量较少就不考虑其保留问题。

　　2、少数民族语言网络信息资源长久保留需求分析

　　少数民族语言网站或网页是网络信息资源特殊类型，语言差异性使其长久保留需求在通常性信息资源保留需求基础上，展现出部分和汉语信息资源不一样特征。

　　2.1证据属性保障需求

　　互联网中绝大多数汉语网站或网页是作为信息载体出现，网民访问这些网站关键关心是信息内容。少数民族语言网络信息资源除了含有上述特征以外，还含有一定证据属性。比如，互联网上各个语种少数民族语言网站繁荣本身就表现了国家保护少数民族文化、保护少数民族语言文字使用权政治态度。这些信息资源搜集保留不仅仅是保留信息内容，还应该尽可能多地保留这些信息资源产生背景信息、原始技术环境信息和对其进行更新和管理相关信息。所以，从证据属性而言，少数民族语言网络信息资源长久保留必需考虑到这些信息资源真实性保障问题，尽可能多地搜集和保留其产生和管理过程信息，以证实这些信息资源确实是在互联网上存在过原始信息，而不是事后为了特定需要对其做了变更，也不是事后人为有意制作虚假信息。

　　2.2长久可读性保障需求

　　少数民族语言网络信息资源可读性和相关支撑技术发展紧密相关。汉字信息处理技术被成功攻克以后，在巨大应用需求推进下，和汉字信息处理技术相关各类字处理软件、各类应用系统得到了快速发展，汉字信息处理技术已经完全成熟，极少因为编码或技术原因造成信息无法读取情况。少数民族语言网络信息资源保留则愈加复杂，国家曾经公布过关键少数民族语言、基于单一语种编码平面编码方案，多语种环境下少数民族语言文字编码方案到底采取国家标准GB18030还是ISO10646尚无定论，假如在信息资源保留同时没有做好编码方案等信息保留，极有可能出现乱码、无法读取等问题。对于部分需要特定应用软件支持深网信息资源，假如只保留了页面框架而没有保留读取软件相关信息，也有可能造成不知道读取软件类型或即使知道读取软件名称而这类软件已经被淘汰无法找到，从而造成信息无法读取。假如信息无法读取，即使其内容很有价值，其最终效果也等于零，以前为保留信息所付出各类成本就毫无意义。所以，少数民族语言网络信息资源可读性保障是长久保留必需处理关键问题。

　　2.3可了解性支持需求

　　语言是人类进行沟通和交流基础工具，中国语言文字丰富性在造就文化多样性同时，也给掌握不一样语种人群之间沟通和交流带来很多不便。因为语言文字差异性，对于不掌握特定语种人而言，即使所看到信息内容对其很关键也无法了解和利用。为了能够打破语言障碍，进行跨语种沟通和交流，少数民族语言网络信息资源长久保留必需考虑到大范围用户可了解性支持问题，尽可能让使用不一样语种人群全部可能了解到信息内容。少数民族语言网络信息资源可了解性支持关键包含双语著录问题、跨语言检索、跨语种机器翻译等内容。所谓双语著录，就是在少数民族语言网络信息资源保留时候尽可能使用对应语种文字和国家通用语言文字两种文字同时进行元数据著录，这么就能够使掌握国家通用语言人口较为方便地了解信息关键内容，同时以国家通用语言文字为中介能够进行跨语种信息检索，确保同一专题信息资源不管采取哪种少数民族语言全部能够被检索到。在服务大范围用户时，跨语种机器翻译系统能够使用户经过低精度机器翻译了解对应信息资源大致内容，很关键信息能够借助人工翻译得到高精度翻译结果。

　　2.4语料（Corpus）积累需求

　　要实现少数民族语言网络信息资源跨语种机器翻译，建立各个语种之间双语对齐语料库是基础前提。同时，语料库建设也是进行少数民族语言学研究关键工具，对于探索少数民族语言现象基础规律含相关键价值。语料库建设必需有数字化语言文本作为基础加工处理对象，假如没有现存数字化版本，还要人工输入或对纸质文件数字化以后进行文字识别，加工处理工作量很大。汉语网络信息资源极其丰富，汉语语料库建设可供选择资源很多，关键依据需求进行筛选、著录和保留。相对于汉语信息资源，少数民族语言信息资源数量较少，现存少数民族语言历史文件在没有数字化加工情况下不能被语料库所使用。所以，互联网上现存少数民族语言网络信息资源就成为少数民族语料关键起源。尤其是部分政府机构建立少数民族语言网络往往同时提供相同内容国家通用语言（汉语）版本，这对于建立少数民族语言和国家通用语言之间双语对齐语料库而言是很难得资源。所以，少数民族语言网络信息资源保留过程同时也是少数民族语言语料积累过程，除了满足本身机器翻译需求以外，对语言学研究也含相关键意义。

　　2.5专业化管理需求

　　专业化管理是提升管理系统整体效率、保障工作质量基础标准。在少数民族语言网络信息资源采集和保留时候要对其进行高质量元数据双语著录，必需由同时掌握少数民族语言和国家通用语言双语人才来完成。要进行可读性保障，该语种密集使用地域往往也是双语人才最为密集、相关语种信息技术产品最为齐全地域，比如掌握蒙古语科技人才和蒙古语信息处理软件数量一定最集中在内蒙古自治区，所以，不管少数民族语言网络信息资源是由全国哪个地域人群产生，最终由最擅长这一语种地域进行专业化管理是保障信息资源管理质量关键策略。

　　3、少数民族语言网络信息资源长久保留架构设计

　　少数民族语言网络信息资源长久保留首先需要处理保留主体确实定问题，在明确由哪一类机构关键推进基础上，确定长久保留基础理念，依据基础理念来设计满足少数民族语言网络信息资源长久保留体系架构。

　　3.1责任主体

　　对于通常性网络信息资源长久保留责任归属，学术界普遍认为应该关键由图书馆负担。比如，澳大利亚网络信息资源保留项目（PANDORA）、美国数字信息基础和保留计划（NDIIPP）、日本WARP项目、瑞典KULTURARW项目、挪威PARADIGIMA等关键是由这些国家国家图书馆、皇家图书馆、国会图书馆等机构提议和推进；中国网络信息采集和保留试验项目（WICP）是在国家图书馆推进下于开启[7]。也有学者提出档案馆也要参与网络信息资源长久保留，比如，瑞典国家图书馆Johan Mannerheim就提出：网络信息应该由那些能够维持几百年以上专业性长久保留机构，例图书馆、档案馆进行保留。少数民族语言网络信息资源长久保留责任关键由图书馆还是档案馆负担，取决于哪一类机构能够最大程度满足少数民族语言网络信息资源长久保留功效需求，能够关键从以下方面进行衡量：

　　第一，少数民族语言网络信息资源含有一定证据属性，在必需时能够作为证据提交给司法机构作为案件审理依据或为了澄清某种事实而向公众公开。比如，国际上部分政治势力散布所谓“中国灭绝少数民族文化”谣言，中国政府假如将搜集大量网络信息资源立即向外界公开，就能够充足表明中国在这一领域所做努力，令谣言不攻自破。少数民族语言网络信息资源要作为证据提供，就必需含有证实本身真实性能力，在网络信息资源采集时就不能仅限于信息内容本身，还要搜集更多背景信息。通常而言，图书馆缺乏对信息资源证据属性深刻认识，搜集信息时候关键关注信息内容，即使要对信息进行著录，关键关心也是利用问题而不是证据性保障问题。

　　第二，档案管理重在经过搜集保留统计信息以最大程度地重现历史原貌，不仅强调信息内容保留，也强调信息显示原貌复原，所以对少数民族语言网站和网页显示效果也会给予关注，经过各类方法最大程度保障网站根据最初存在显示效果展现出来。比如，对于网页当中链接各类文件是否齐全，所链接多媒体文件是否能够正常读取等问题全部必需进行关注，而图书馆保留网络信息资源更关键是保留内容信息，对网站显示效果要求相对较低。

　　第三，图书馆是处于信息流末端文化事业机构，只能被动地搜集和保留网络信息，无法要求产生网络信息机构根据一定规范来产生信息，不能从信息源头进行干预。档案馆则在这个领域含有优势，在同级档案行政机构参与下能够对前端产生信息机构进行适度干预，要求产生信息机构根据统一要求产生信息，从而能够提升信息保留质量。

　　第四，图书馆保留网络信息资源时，通常经过网络访问取得网页文件后进行保留。这种方法实际上只能取得互联网浅层信息，比如保留在后台少数民族语言数据库当中绝大多数信息并没有被采集到。档案馆保留网络信息资源优势在于能够经过“呈缴”制度要求部分机构按要求提交少数民族语言信息资源整体信息，从而能够取得愈加丰富网络信息资源。

　　所以，从少数民族语言网络信息资源证据属性、显示效果、前端控制和呈缴制度等角度看，由档案馆来负担长久保留责任更为妥当。当然，以档案馆为主体并不是排斥图书馆、各类文化机构甚至个人参与，只是各类机构所关注关键有所不一样，前者需要在满足证据性基础上进行信息内容保留和服务，后者只关心信息内容保留问题。

　　3.2基础理念

　　少数民族语言网络信息资源保留主体是档案馆，意味着其保留理念和通常性网络信息资源有所不一样，需要遵照理念关键有以下方面。

　　（1）档案化管理。档案化管理是指少数民族语言网络信息资源产生过程中要尽可能考虑到信息资源最终要被档案馆搜集和长久保留需要，在信息产生时候就考虑到编码方案、元数据格式、存放格式、背景信息搜集、国家通用语言文字版本搜集、双语著录等方面需求，尽可能在前端就做好准备工作。

　　（2）多元一体。多元一体理念源于中国已故著名社会学家费孝通先生“中华民族多元一体格局”理论，该理论认为，中华民族作为一个自觉实体，是近百年来中国和西方列强对抗过程中所形成，它主流是由许很多多分散孤立存在民族单位，经过接触、混杂、联结和融合，同时也有分裂和消亡，形成一个你来我去、我来你去，我中有你、你中有我，而又各具个性多元统一体[8]。所以，少数民族语言网络信息资源长久保留，既要考虑到各语种信息资源多样性保留问题，又要考虑到这些信息资源之间逻辑联络问题，使各个语种信息资源能够共享。

　　（3）信息共享。信息共享是指考虑到少数民族语言网络信息资源要为整个国家公民所共享需要，经过技术手段消减由语言差异性带来沟通障碍，使得全国各个民族群体全部能够经过自己熟悉文字来访问其它民族语言网络信息资源。少数民族语言网络信息资源跨语种共享又肯定包含作为中介语言国家通用语言，所以集成服务实际上就要建立以国家通用语言文字为关键少数民族语言多语种信息资源共享体系。

　　3.3技术架构

　　依据少数民族语言网络信息资源长久保留功效需求和基础理念，少数民族语言网络信息资源长久保留技术架构整体上分为信息起源层、数据集成层和服务集成层三层。信息起源层关键是对于能够进行计划和控制机构进行前端干预；数据集成层关键是在全国各个少数民族语言富集地域建立管理节点并将其联结成为一个整体；服务集成层关键是建立以国家通用语言文字为关键少数民族语言网络信息资源跨语种信息共享体系。其中，数据集成层是对互联网当中少数民族语言信息资源数据集成，使信息资源能够跨地域访问；服务集成层则是在数据集成层基础上，对少数民族语言网络信息资源内容进行集成，使其能够跨语言共享，图1所表示。

　　图1中，少数民族语言网络信息资源保留体系技术架构包含内容关键有：

　　第一，信息起源层。和档案部门对机关电子公文进行前端控制不一样，因为网络信息资源产生主体多元性，对少数民族语言网络信息资源前端实现完全控制难度较大，只能是尽可能提议相关机构遵照一定标准进行少数民族语言网络信息资源建设。比如，国家需要出台《中国少数民族语言网站建设规范》，明确相关建设要求，尽可能提升少数民族语言网络信息资源规范化程度。对于没有根据规范产生网络信息资源，由档案馆尽可能搜集相关信息进行著录和保留。

　　第二，数据集成层。根据单一语种专业化管理标准，基于分布式数据库基础原理，在关键少数民族语言富集地域档案管理机构建立对应语种网络信息资源管理节点，这些节点之间物理上是分散在全国各个地域，逻辑上是集中，在分布式数据库支持下组成一个分布式信息共享网络，能够支持跨地域全局信息检索和全局并行应用。各个分节点负责单一语种网络信息资源保留，并尽可能全方面地搜集对应语种各类应用软件，开发编码转换、格式转换工具软件，为对应语种信息资源提供可读性服务。另外，考虑到全局协调和管理问题，需要在网络中建立统一管理和协调中心节点。

　　第三，集成服务层。少数民族语言网络信息资源跨语种信息共享是指在民族地域档案管理工作中，经过技术手段和管理手段综合应用，使各个少数民族语种信息资源所包含内容信息含有能够被全国各个民族没有熟练掌握该语种人口以较低成本、较为便捷方法进行阅读和了解能力。根据跨语种信息共享要求，民族地域或民族事务管理各类机构在建立少数民族语言网站或网页时候就应该考虑到在全国范围内被共享需要，尽可能同时提供少数民族语言文字版本和国家通用语言文字版本，对少数民族语言网页进行著录时候也应该同时采取少数民族文字和国家通用文字对照版本。在实践中，没有掌握对应语种人要了解这一语种信息必需借助人工翻译或机器翻译系统支持。作为民族地域信息共享基础设施，国家应该建立以国家通用语言文字为关键少数民族语言信息资源共享体系，关键是经过建立各个少数民族语种和国家通用语言之间双语对齐语料库体系，实现任何一个少数民族语言和国家通用语言之间机器辅助翻译，而任何两种少数民族语言之间翻译也能够以国家通用语言为中介进行，图2所表示。

　　4、少数民族语言网络信息资源长久保留体系计划

　　结合对少数民族语言网络信息资源长久保留需求和技术架构分析，依据中国各少数民族语言分布情况，对少数民族语言网络信息资源长久保留体系进行了计划。

　　4.1分布式节点设置

　　少数民族语言网络信息资源保留节点设置标准是：语种尽可能单一，一个节点标准上只负责一个少数民族语言信息资源保留，同时提供少数民族语言信息资源可读性保障和机器辅助翻译服务；节点所在地对应语种信息资源较为丰富，该语种信息资源利用需求用户也最多；节点所在地经济发展相对发达，能够提供少数民族语言信息资源管理所需要技术环境，尤其是网络通信条件要满足大量数据交换要求；节点所在地技术和管理人才贮备较为丰富，尤其是对应语种语言学人才充足，能够满足少数民族语言和国家通用语言文字双语对齐语料库建设要求；对于使用人口较少，整体数量较少少数民族语言信息资源临时由一个节点进行代管。条件成熟时候，能够考虑针对单一语种成立新节点；综合考虑民族地域地理和气候条件，尽可能避免成本过高方案。根据上述标准，节点设置通常应该设置在各少数民族聚居区中心城市较高等级档案管理机构。现在，中国少数民族语言文字信息处理技术发展相对较为成熟少数民族语言有蒙古语、藏语、维吾尔语、哈萨克语、柯尔克孜语、壮语、朝鲜语、彝语、傣语等，对应节点能够设置在这些省区或中心城市档案馆内，能够分别称为呼和浩特节点、拉萨节点、乌鲁木齐节点、南宁节点、延吉节点和昆明节点等。对于使用人口较少，临时还没有成熟信息处理标准少数民族语种产生音频和视频信息，能够临时集中到云南省档案局负责昆明节点进行保留。

　　4.2中心节点选择

　　通常而言，中心节点所在地应该含有以下部分特征：所在地经济发展相对发达，能够提供良好技术环境，尤其是网络系统带宽要满足频繁数据通信要求；所在地人才贮备较为充足，能够满足管理中心发展过程中管理人才和技术人才需求；所在地靠近少数民族事务管理公共组织、少数民族语言文字出版机构，有较多少数民族语言信息资源利用需求用户存在。依据上述标准，中国少数民族语言信息资源分布式共享网络管理中心首选地点是首全部北京市，所在理想机构是国家民族事务管理委员会下设“国家民委信息中心”。

　　4.3网络体系方案

　　依据分布式节点和管理节点设置方案及少数民族语言网络信息资源管理功效需求，少数民族语言网络信息资源分布式保留网络体系图3所表示，各个节点关键功效和所在机构如表1所表示。

　　5、结语

　　少数民族语言网络信息资源是中国信息资源体系关键组成部分，其长久保留意义重大。依据少数民族语言网络信息资源长久保留需求特殊性，由档案馆作为责任主体组织长久保留体系建设愈加妥当。中国少数民族语言网络信息资源长久保留根据档案化管理、多元一体和信息共享理念，整体上分为信息起源层、数据集成层和集成服务层三层。根据单一语种专业化管理标准，在各个语种对应民族地域中心城市建立保留和管理节点，在保留单一语种少数民族语言网络信息同时提供可读性服务和可了解性支持服务。这些节点之间物理上分散，逻辑上集中，共同完成中国少数民族语言网络信息资源妥善保管、分布式访问和跨语种共享等任务，构建以国家通用语言文字为关键中国少数民族语言网络信息资源共享体系。

　　【参考文件】

　　[1]中国蒙文知识产权信息服务平台正式开通[EB/OL].[-09-15]. .

　　[2]中国几乎全部少数民族文字全部能在“视窗”上运行[EB/OL].[-09-15]. .

　　[3]中国藏区已经有近百种藏文报纸、刊物及网站[EB/OL].[-09-15]. .

　　[4]新疆少数民族语种网站建设座谈会[EB/OL].[-09-15]. .

　　[5]人民网实现七个关键少数民族语种全覆盖[EB/OL].[-09-15].

　　[6]赵俊玲.国外相关网络信息资源保留研究[J].中国图书馆学报，(3)：80-83.

　　[7]向菁，吴振新.网络信息资源保留发展现实状况及趋势分析[J].中国图书馆学报，(3)：34-41.

　　[8]孝通.中华民族多元一体格局[M].北京：中央民族学院出版社，1989：1-2.

　　[9]赵生辉.中国少数民族语言数字信息分布式共享研究[J].情报资料工作，(2)：37-41.

　　[10]赵生辉.中国少数民族语言电子文件管理初探[J].档案学通讯，(2)：61-65.