O IFLA Library Reference Model, IFLA LRM, é um modelo conceitual de alto nível que surge da necessidade de consolidação dos três modelos da Família FR, das demandas do contexto tecnológico vigente e da compatibilidade com as melhores práticas do Linked Data. O IFLA LRM trata os dados bibliográficos em sentido amplo, explicitando os princípios gerais que governam a estrutura lógica da informação bibliográfica, atuando como base para formulação de regras de catalogação e implementações de sistemas bibliográficos. Dessa maneira, essa pesquisa tem como objetivo identificar o estado da arte do modelo IFLA LRM, partindo da realização de uma Revisão Sistemática da Literatura, identificando casos de uso, vantagens e desvantagens apontadas pela literatura científica. Foram estabelecidas as seguintes categorias de análise: (i) enfoque dos documentos; (ii) conceito de IFLA LRM; (iii) vantagens e desvantagens do modelo; (iv) casos de uso do IFLA LRM. Como resultado é apresentado o estado da arte sobre o modelo IFLA LRM, bem como as tendências de pesquisa e o impacto do modelo na prática catalográfica. Conclui-se, que o modelo IFLA LRM se apresenta como objeto de investigação de importância capital, uma vez que reflete as mudanças na Catalogação Descritiva, os novos rumos da área no contexto digital, na adequação, no compartilhamento e no reuso dos dados bibliográficos no cenário da Web Semântica e Linked Data.
O RDA Toolkit Restructure and Redesign (3R) Project, finalizado em dezembro de 2020, teve como objetivo alinhar o padrão RDA com o IFLA Library Reference Model (IFLA LRM), modelo conceitual do universo bibliográfico que consolida a Família dos modelos FR. Dessa maneira, busca-se averiguar as contribuições e o impacto do IFLA LRM para com o RDA. Para tanto, realizou-se uma Revisão Sistemática da Literatura (RSL), a fim de identificar o estado da arte do assunto na literatura científica. Constatou-se que a categoria em que se observa de maneira mais explícita a implementação do IFLA LRM pelo RDA é a ontológica, referente à representação formal do universo de coisas que existem em um dado domínio, e que também o IFLA LRM exerce um papel de intermediário, que possibilita a integração cada vez maior dos dados bibliográficos em RDA no universo maior de dados da Web Semântica e Linked Data.
Objetivo: objetiva-se propor a harmonização entre os modelos EDM, BIBFRAME e IFLA LRM, com o propósito de analisar a equivalência de entidades para possibilitar a interoperabilidade entre sistemas que utilizam como base esses modelos conceituais. Método: esta pesquisa se caracteriza como de natureza exploratória e descritiva com abordagem qualitativa, na qual utiliza-se do levantamento bibliográfico para a identificação dos estudos já realizados a respeito da temática. Além disso, para a análise de entidades, pauta-se na metodologia fundamentada por Pierre et al. (1999), Taniguchi (2018), Arakaki (2019) e Carrasco (2019). Resultados: a partir da análise dos modelos, foram identificadas seis categorias ontológicas de entidades: (i) Conteúdo Intelectual; (ii) Assunto; (iii) Unidade Concreta; (iv) Agente; (v) Espaço-tempo, e (vi) Reificação. Observou-se equivalências consistentes entre as entidades, suas funcionalidades e terminologia na maior parte das categorias, tendo como exceção as entidades da categoria Conteúdo Intelectual e a estruturação da categoria Unidade Concreta. Conclusões: conclui-se que a diferença mais notável entre os modelos se expressa na categoria Conteúdo Intelectual, e que o IFLA LRM e o BIBFRAME por serem modelos fundamentados na tradição catalográfica têm entidades funcionalmente equivalentes, ao passo que o EDM, como modelo voltado ao objeto de patrimônio cultural em si, não possui nenhuma entidade que possa ser mapeada nessa categoria, Outrossim,constatou-se há uma diferença estrutural na categoria Unidade Concreta, onde o EDM faz uma distinção entre o objeto em si e sua representação digital, ao passo que nos modelos IFLA LRM e BIBFRAME, tal distinção ocorre na categoria Conteúdo Intelectual.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.