DOI-Registrierung bei Datacite nicht möglich bei Sprache ohne ISO 639-1 Code

[sigwei]

Die Sprache "Kein linguistischer Inhalt" mit dem ISO 639-2 Code "zxx" hat keinen ISO 639-1 Code. Die DOI-Registrierung bei Datacite ist dann nicht möglich, es kommt zu einem Fehler wie
generated DataCite XML for document ... is NOT valid

In diesem Fall handelte es sich um Musiknoten, es könnte aber auch Sprachen wie z.B. "Sorbisch (Andere)" mit dem ISO 639-2 Code "wen" und ohne ISO 639-1 Code betreffen.

[j3nsch]

Da müssen sich die Hosting Teams und Nutzer überlegen, wie mit dieser Situation umgegangen werden soll.

@alw-bsz @bfalkenstein @CAWinter

[sigwei]

Letzte Woche hatten wir einen Fall, da ging es um die Verwendung von "mul" für "Mehrere Sprachen". Auch hier gibt es keinen ISO 639-1 Code und bei der DOI-Registrierung gibt es einen Fehler.

Im neuen DataCite Metadaten Schema Version 4.7 werden Sprachen unterstützt, die hier vorkommen: IANA Language Subtag Registry (https://www.iana.org/assignments/language-subtag-registry/language-subtag-registry)

Dort sind "mul" und "zxx" enthalten.

[alw-bsz]

Da ist wohl Funktionalität bei der Umstellung der Sprachverarbeitung verloren gegangen.

In v4.9 wird mit dem Sprachcode 'mul' ein valides XML generiert und die DOI sauber in Fabrica registriert. Offensichtlich wird der ISO639-2-Code verwendet:

[...]
</subjects>
<language>mul</language>
<alternateIdentifiers>
[...]

In v4.10 (getestet habe ich mit v4.10.1) wird hingegen ein leeres Sprachelement erzeugt, das dann bei der Validierung zum Fehler führt:

[...]
</subjects>
<language/>
<alternateIdentifiers>
[...]

[alw-bsz]

DataCite hat mit dem Metadata Schema 4.6 die Spezifikation hinsichtlich der zu verwendenden Sprachcodes geändert. Bis zur Schema-Version 4.5 war der Wertekanon eine Empfehlung (https://datacite-metadata-schema.readthedocs.io/en/4.5/properties/language/):

Recommended values are taken from IETF BCP 47, ISO 639-1 language codes. Examples: en, de, fr"

Seit 4.6 lautet die Spezifikation nun (https://datacite-metadata-schema.readthedocs.io/en/4.6/properties/language/, https://datacite-metadata-schema.readthedocs.io/en/4.7/properties/language/):

All values must follow the pattern defined by the XML schema language type. 1 Examples: fr, cmn, nys, swh

Wenn man den referenzierten Spezifikationen folgt, landet man bei RFC3066 (https://www.rfc-editor.org/rfc/rfc3066.txt), RFC5646 (https://datatracker.ietf.org/doc/html/rfc5646) und der IANA Language Subtag Registry (https://www.iana.org/assignments/language-subtag-registry/language-subtag-registry).

Die Quintessenz daraus ist:

• Wenn es einen (zweibuchstabigen) Code für die Sprache in ISO639-1 gibt, muss dieser verwendet werden.
• Ansonsten sind die (dreibuchstabigen) Codes aus ISO639-2, 639-3 und 639-5 zu verwenden.
• Vierbuchstabige Codes sind für künftige Standardisierungen reserviert (in der IANA Language Registry gibt es mittlerweile ein paar davon).

Für die Umsetzung in OPUS würde ich daraus ableiten:

• Wenn es einen (zweibuchstabigen) Code für die Sprache in ISO639-1 gibt, wird dieser verwendet.
• Ansonsten wird der dreibuchstabige Code aus ISO639-2 verwendet (ob -B oder -T spielt keine Rolle, da alle Sprachen mit abweichenden Codes eine Entsprechung in ISO639-1 haben und daher sowieso der zweibuchstabige ISO639-1-Code zu verwenden ist).
• Mit ISO639-3, 639-5 und vierbuchstabigen Codes beschäftigen wir uns, wenn es tatsächlich mal einen Anwendungsfall dazu gibt.