2024 開放儲存庫國際會議 直擊研究資料基礎設施的新近發展

文／李承錱（中央研究院資訊科學研究所，研究資料寄存所技術經理）

本文亦刊登於 2024-11-14 科技報導

開放儲存庫國際會議（International Conference on Open Repositories，簡稱 OR 會議）是開放儲存庫（open repositories）領域的年度研討會，自 2006 年起已舉辦 19 屆。今（2024）年於 6 月 3～6 日在瑞典的第二大城哥德堡（Gothenburg）舉行。在為期四天、近 50 場次的會議中，共有超過 400 位來自圖書館學、人文社會科學、資訊科學、法律等相關領域的研究人員，交流應用開放原始碼儲存庫套件於研究資料典藏的實務經驗，探討包括學術機構研究資料的管理、開放、再利用、評估、使用權等議題。

今年的大會主題為「推動全球進展」（Empowering Global Progress），著重於探討如何借助開放儲存庫增進研究透明度、提升少數族群地位，以及實踐環境永續。中研院研究資料寄存所（depositar）團隊過去曾兩次（2015、2023 年）實體參與 OR 會議，不僅在疫情期間多次參加線上會議，今年也躬逢其盛。

歷久彌新的開放儲存庫

#

事實上，OR 會議所指稱的「開放儲存庫」，早年是指以學術著作（學位論文、期刊論文、書籍等）為收錄對象的機構典藏庫（institutional repository）與主題典藏庫（subject repository）為主。儲存庫服務提供業者 Cottage Labs 便在他的分享中，回顧過去 30 年機構與主題典藏庫在開放近用（open access, OA）運動中所扮演的關鍵角色：由 Fedora、EPrints、DSpace、Samvera、Invenio 等開放原始碼儲存庫套件搭建的線上開放儲存庫，所實踐的綠色 OA（Green OA）¹，再加上 OAI-PMH、OAI-ORE、SWORD 等資料交換格式²的概念相繼問世，促使當前研究資訊系統（current research information system, CRIS）與儲存庫的整合（CRIS/repository integration），使得知識散播更快且廣。

在大會慣例的儲存庫競技（Repository Rodeo）活動中，來自上述各儲存庫套件的開發與營運團隊，更新儲存庫的最新動態，包括持續識別碼（persistent identifier, PID）整合、更細緻的資料權限管理與審核機制、與外部系統的資料交換，以及根據國際圖像互通架構技術（International Image Interoperability Framework, IIIF）開發的圖像瀏覽工具等。持續改善的功能與活躍的使用者社群，令開放儲存庫與時俱進。

學術研究的基礎設施

#

如今的開放儲存庫已不再侷限於機構與主題典藏。資料儲存庫（data repository）為一種開放儲存庫，因新近資料科學熱潮而蓬勃發展；此外，開放儲存庫與研究流程密切相關，更是支持研究的基礎設施。因此如何確保儲存庫得以長期且穩定地運作，是所有儲存庫經營團隊都必須面對的課題，本次也有兩個議程與此直接相關。

在開放與持續的基礎設施（Open and Sustainable Infrastructure）議程裡，Invest in Open Infrastructure（IOI）計畫便建立儲存庫目錄網站 Infra Finder，分析比較 57 個開放儲存庫服務在技術、社群、政策、治理等面向的異同，更據此製作 2024 開放基礎設施現況報告（2024 State of Open Infrastructure Report），提供欲導入儲存庫服務的研究機構或團隊參考。

而在資料儲存庫與經驗傳承（Data Repositories and Lessons Learned）議程中，瑞典皇家理工學院（Kungliga Tekniska högskolan, KTH）分享他們在規劃校際研究資料儲存服務時，透過訪談了解校內研究人員在資料管理的痛點與需求，諸如存取方式、權限控管、運算分析、隱私風險、長期保存等細節；同時歸納導入服務期間面臨的資源分配、技術支援、教育訓練、快速應對研究需求等諸多挑戰，並強調重視協作的研究資料治理（data governance）。

藉資料數位化促進學術研究流程自動化

#

在開放儲存庫將各類與研究相關的資料數位化後，藉由儲存庫間的資料交換，也開啟了學術研究流程自動化的可能性。在本次 OR 會議，德國漢堡大學（University of Hamburg）展示了電子化的實驗室筆記本軟體（Electronic Laboratory Notebook, ELN），例如 elabFTW、Chemotion 等軟體所記錄的實驗資料，如何透過單一登入（Single Sign-On, SSO）與應用程式介面（application programming interface, API）自動匯入資料儲存庫中。

瑞典的查爾摩斯理工大學（Chalmers University of Technology）也使用開源套件 DSW（Data Stewardship Wizard）內建的機器可操作資料管理方案（machine-actionable data management plan, maDMP）功能，將資料管理方案輸出為機器可讀的形式，並與校內 CRIS、資料儲存系統，及瑞典的國家資料儲存庫（Swedish National Data Service）串接，讓研究人員僅需輸入一次研究計畫資訊，便能為眾多系統所運用，達成研究計畫管理的自動化。

此外，更有如 openCost 專案，正在建立一個完整記錄科學出版成本的開放標準，包括後設資料規範與 OAI-PMH 介面，將開放儲存庫收錄的學術出版品，與記錄該文章處理費用的 OpenAPC 資料庫連結，以期促進科研專案的成本透明化。

因應 AI 時代的應用與挑戰攻防

#

隨著大型語言模型（large language model, LLM）的流行，人工智慧（artificial intelligence, AI）相關應用已深刻影響社會，學術研究也不例外。資料儲存庫作為學術數位基礎設施，除資料保存、管理、分享等傳統角色外，近年來也持續探索結合資料探索、分析與運算資源等延伸應用。

例如由美國哈佛大學（Harvard University）開發的 Dataverse 儲存庫套件，便於近期推出基於 ChatGPT 的後設資料填寫輔助工具 TurboCurator，以及可使用自然語言詢問表格內容的資料探索工具 Ask the Data。瑞典 SciLifeLab 也展示專為儲存與共享機器學習模型及資料科學程式的儲存庫服務 SciLifeLab Serve，並可即時於 Kubernetes 運算叢集中部署與執行模型。而維也納工業大學（Vienna University of Technology, TU Wien）的研究資料平臺，也著手開發 vre-repository-connector 專案，令使用者得以於 JupyterLab 環境快速載入資料集並進行分析，並將結果回存資料集。

然而，由於 LLM 對訓練語料的需求日增，所引發的 AI 採集（AI harvests）嚴重衝擊資料儲存庫的系統資源。例如 Archipelago Commons 儲存庫便曾於六小時內承受數以百萬計的採集機器人連線。面對此類相當於阻斷服務（denial-of-service attack, DoS）攻擊的不當利用，該儲存庫的營運團隊也在其報告中提出具體建議：從 robots.txt 宣告與使用者代理（user agent）判斷等基本技法，到安裝各式 bot blocker 套件，與設計蜜罐（honeypot）判斷機器人行為，再將它排除等進階手段。

來自東亞國家的發表

#

本屆 OR 會議於北歐舉辦，故與會者多數來自歐洲。但仍有兩個來自日本國立情報學研究所（NII）的團隊，分別介紹他們建置的 NII 研究資料雲（NII Research Data Cloud），與補足學術資訊搜尋平臺 CiNii Research 紀錄中缺失的 DOI 識別碼等經驗。

來自臺灣中研院的研究團隊也於本年度會議分享經營開放儲存庫（研究資料寄存所，data.depositar.io）的近況。在開發者議程軌，筆者介紹研究資料寄存所近期新增的 Binder 服務建置心得（完整內容），該服務提供使用者於瀏覽器建立與執行資料分析環境，便於運算、重現與展示藉由程式完成之研究成果。在另一個經驗分享的議程中，帶領研究資料寄存所計畫的莊庭瑞副研究員回顧團隊過去五年在技術開發、社群拓展，與政策推廣的成果與反思。

展望：資料儲存庫成為開放儲存庫的發展熱點

#

目前國內科研機構在開放儲存庫的使用上，仍以機構與主題典藏庫為大宗。然而，從筆者過去於OR會議的實際觀察，發現許多國家的科研機構已積極投入資源，建置並維運通用的資料儲存庫（generalist repository），並以 FAIR 資料原則（可被找到、可被取用、可相互操作、可再次使用）為指引，因應學術研究趨勢與資料管理需求持續改進功能。本團隊身為資料儲存庫的經營者，也期待國內研究資料的管理與流通，能乘著 AI 時代帶來的巨量資料浪潮，獲得更多的關注與討論。

※ 特別感謝一同參與本次會議的中央研究院資訊科學研究所莊庭瑞副研究員，提供部分講題的聽講摘要。

延伸閱讀

#

• Jones, R. D. (2024 June 28). Looking up from the weeds: seeing what’s next for OA by learning from the past. Open Repositories 2024 (OR2024), Gothenburg, Sweden. Zenodo. https://doi.org/10.5281/zenodo.12579359
• Greer Klein, H., et al. (2024 June 25). The Repository Rodeo. Open Repositories 2024 (OR2024), Gothenburg, Sweden. Zenodo. https://doi.org/10.5281/zenodo.12527422
• Steinhart, G., et al.  (2024). 2024 State of Open Infrastructure: Trends in characteristics, funding, governance, adoption, and policy. Invest in Open Infrastructure. https://doi.org/10.5281/zenodo.10934089

The depositar team attended the 19th International Conference on Open Repositories (OR2024) in Göteborg, Sweden, on June 3–6, 2024. Cheng-Jen Lee wrote a detailed report in Traditional Chinese. Below is a report from Tyng-Ruey Chuang in English.

The 19th International Conference on Open Repositories (OR2024) was held in Göteborg, Sweden, on June 3–6, 2024. Eleven workshops took place on June 3. The main conference was held from June 4th to June 6th and it included keynotes, presentations, panels, DevTrack sessions, 24x7 (7-minute lightning talks with each comprising no more than 24 slides) as well as a repository showdown and a poster session. The conference, hosted by the Chamlers University of Technology, was very well organized. The conference venue was the Clarion Hotel Post in central Göteborg. In total, 425 people from 45 countries attended the conference.

The OR2024 full program is available in ConfTool. Slides from the contributors can be found in the Open Repositories Community in Zenodo. In the following, we highlight some of the sessions we attended. Due to limited space, this report can only be considered selective and subjective.

In the Repositories Implementations session, researchers from Stanford University, Harvard University, and a team in the Netherlands (Leiden University, DANS, CNR-ISTI/OpenAIRE, and Vrije Universiteit Amsterdam) shared their experience in the planning and migration of existing digital repositories to modern data infrastructures in order to meet new requirements and/or to accommodate unexpected changes. All three presentations offered valuable advice. In the Repository Rodeo panel, representatives from several repository software and services (including Dataverse, DSpace, EPrints, Fedora, InvenioRDM, Islandora, and Samvera) all engaged with the audience with the directions of their respective technical and community developments.

Cheng-Jen Lee, the tech lead of the depositar, the data repository we have been developing in Academia Sinica, gave a presentation on Bringing Computation and Reproducibility to a Data Repository Using Binder at the Developer Track Session 2. In the presentation, he detailed how to extend BinderHub (a Kubernetes-based package powering the Binder service) to CKAN (software for managing and publishing datasets, and from which the depositar is derived) so users can easily create and share executable computing environments from datasets in the repository. In the Data Repositories and Lessons Learned session, depositar project lead Tyng-Ruey Chuang gave a presentation on Building An Open Repository for FAIR Data: Experience Sharing on Technologies, Communities, and Policies. He talked about the depositar team’s experience in community outreach and policy dialogue, in addition to the technical development of the open source data repository itself. The other presentations in the session were from Princeton University, KTH Royal Institute of Technology, and a consortium of research libraries in Canada. We feel the presenters all stress the importance of careful planning and long-term commitment of research institutions for the repositories they operate.

In the 24x7: Technical Solutions session, we would like to highlight two enjoyable presentations from the Czech Republic. Hana Vyčítalová, Petra Černohlávková, and David Gerner from the National Library of Technology shared their experience in moving from Invenio 1 to DSpace 7. Their presentation is stunning. Martin Lhotak, Filip Kersch, and Petr Zabicka (Library of the Czech Academy of Sciences and Moravian Library in Brno) presented Orbis Pictus: a project to open up the graphic content of digital libraries to the public, in particular about developing a tool to identify persons by their images in digitized books. The Trends and the Future of Open session is an overview of the research data landscape in Europe (but the observations are applicable elsewhere in the world). We recommend the readers to look into the presentation from Richard David Jones (Cottage Labs) where he reflected on his involvement in Open Access for the last 25 years. He provided insightful perspective on the current and future roles of repositories in improving global publishing equity.

We wish to note we finally met John Kunze after corresponding with him for several years. He and Donny Winston organized a workshop on Getting Running with ARK Persistent Identifiers. Using Archival Resource Key (ARK), the depositar team has developed a CKAN extension for assigning persistent identifiers (PIDs) to datasets. It is joyful to be able to meet, in person, the people who have helped us so much.

The 20th International Conference on Open Repositories (OR2025) will take place on June 15–18, 2025, in Chicago, Illinois, USA. The theme for the OR2025 conference is Twenty Years of Progress, a Future of Possibilities. The Call for Proposals is now open with a submission deadline of December 18, 2024.

Our travels to attend the conference have been supported by the Institute of Information Science, Academia Sinica, and by the National Science and Technology Council of Taiwan.