En la administración de repositorios digitales existe una situación que se repite con más frecuencia de la que parece: un usuario solicita una estadística aparentemente simple, pero la respuesta depende completamente de cómo fueron descritos los documentos durante años de catalogación.
Recientemente nos enfrentamos a un caso muy interesante en un repositorio institucional basado en DSpace 5.5, donde fue necesario analizar cerca de 95.000 registros para responder una consulta sobre las actas disponibles en el sistema.
Lo que parecía una búsqueda sencilla terminó convirtiéndose en un ejercicio de análisis de metadatos, validación de criterios y desarrollo de herramientas de extracción específicas.
El requerimiento
El objetivo era obtener información sobre las actas disponibles en el repositorio, indicando:
- Desde qué año existen registros.
- Hasta qué año llegan.
- Institución informante.
- Tipología documental.
- Comunidad o colección donde se encuentran almacenadas.
A primera vista parecía suficiente buscar la palabra "Acta" dentro del repositorio.
Sin embargo, en DSpace las búsquedas estadísticas no siempre pueden realizarse únicamente sobre el texto visible para el usuario.
Primera aproximación: buscar "Acta" en las materias
El primer análisis consistió en revisar el archivo metadata-export generado por DSpace.
El criterio utilizado fue localizar todos los registros cuyo campo:
dc.subject
contenía la palabra:
Acta
El resultado fue inmediato.
Se encontraron 656 registros relacionados con actas.
Muchos documentos contenían materias como:
- Acta de Directorio
- Junta de Accionistas
- Reforma de Estatutos
- Directorio
Por ejemplo:
dc.type:
Correspondencia
dc.subject:
Reforma de estatutos ||
Directorio ||
Empleado bancario ||
Acta de Directorio
Desde el punto de vista documental parecía correcto.
Sin embargo...
El requerimiento no buscaba materias
La contraparte aclaró posteriormente que la solicitud no correspondía a documentos cuya materia hiciera referencia a actas.
Lo que realmente necesitaban era identificar las Actas registradas como tipología documental, es decir, aquellas cuyo metadato:
dc.type
correspondiera efectivamente a un tipo documental de acta.
Esta diferencia parece pequeña.
Pero cambia completamente el universo de resultados.
Entendiendo el modelo de metadatos
En DSpace un mismo documento puede tener distintos significados dependiendo del campo consultado.
Por ejemplo:
dc.type = Correspondencia
dc.subject = Acta de Directorio
Ese documento habla sobre un acta, pero no es un acta.
Mientras que otro registro puede tener:
dc.type = Acta de Directorio
En este caso sí corresponde a una acta como tipología documental.
La diferencia es fundamental cuando se realizan auditorías, migraciones o estadísticas institucionales.
Analizando más de 95.000 registros
Para responder correctamente el requerimiento desarrollamos un script en Python que procesó el archivo completo de metadatos exportado desde DSpace.
El proceso incluyó:
- lectura de aproximadamente 95.000 registros
- normalización de variantes de idioma de los metadatos (
dc.type,dc.type[es],dc.type[es_ES]) - identificación de instituciones informantes
- extracción del año documental
- separación de instituciones múltiples
- generación automática de informes Excel
Además, el script generó un diagnóstico completo de todas las variantes existentes del campo dc.type, permitiendo validar cómo había sido catalogada históricamente la información.
El resultado
Aplicando el criterio correcto sobre la tipología documental se identificaron:
-
2.896 registros cuya tipología corresponde a distintas variantes de actas.
Entre ellas:
- Acta de Directorio
- Acta de Directorio Ordinaria
- Acta de Directorio Extraordinaria
- Acta Junta de Accionistas
- Acta Junta Ordinaria de Accionistas
- Acta Junta Extraordinaria de Accionistas
El rango documental identificado abarca desde:
2003 hasta 2026
Posteriormente el sistema generó automáticamente un informe Excel con:
- resumen por comunidad
- institución informante
- tipología documental
- año inicial
- año final
- cantidad de registros
además del detalle completo de cada documento considerado.
Mucho más que un script
El verdadero trabajo no fue escribir Python. Lo importante fue comprender el modelo de datos del repositorio. En DSpace los metadatos representan distintos aspectos del mismo documento:
- materia
- tipo documental
- fecha documental
- fecha de incorporación
- institución responsable
- colección
- comunidad
Una búsqueda sobre el campo incorrecto puede producir resultados técnicamente válidos, pero documentalmente incorrectos.
La importancia del metadata-export
El archivo metadata-export de DSpace es una de las herramientas más potentes para realizar análisis masivos.
Permite:
- auditorías documentales
- validación de metadatos
- estadísticas institucionales
- análisis históricos
- preparación de migraciones
- control de calidad
- generación de informes personalizados
En muchos casos resulta incluso más eficiente que consultar directamente la base de datos, ya que concentra toda la descripción documental en un único archivo fácilmente procesable.
Aprendizajes
Este proyecto dejó varias lecciones interesantes.
No asumir que un concepto documental corresponde al mismo campo de metadatos.
"Acta" puede ser:
- una materia
- una tipología documental
- parte del título
- parte del resumen
Cada uno representa un significado distinto.
Validar siempre el criterio con el usuario funcional.
La primera respuesta era técnicamente correcta.
La segunda era documentalmente correcta.
Esa diferencia solo apareció después de aclarar el objetivo del requerimiento.
Conocer el modelo de metadatos de DSpace es tan importante como conocer su infraestructura.
Muchas veces los desafíos no están en PostgreSQL, Solr o Tomcat, sino en comprender cómo fue descrita la información durante años de trabajo bibliotecario.
Conclusión
Los repositorios institucionales no solo almacenan documentos. Almacenan conocimiento estructurado mediante metadatos.
Cuando ese conocimiento se comprende correctamente, DSpace permite construir informes extremadamente precisos, automatizar procesos y responder requerimientos complejos sin necesidad de realizar consultas manuales.
En INFODI creemos que el verdadero valor de un repositorio digital no está únicamente en conservar documentos, sino también en ser capaz de transformar sus metadatos en información útil para la toma de decisiones institucionales.