— У меня есть статья на эту тему, в соавторстве с Михаилом Гронасом, которая называется «Что такое семантическое издание и почему в будущем все издания станут семантическими?». Для неё нам было необходимо подумать над тем, что такое данные и чем они отличаются от не-данных. После некоторых дискуссий мы пришли к тому, что данные — это структурированная информация. А структурированная — значит такая, которую можно представить в виде таблицы.

Определение прикладное: как исследователь я могу проанализировать только структурированную информацию. И эта значимая граница между структурированной и неструктурированной информацией среди инженеров осознавалась уже давно.

Именно в этом состояли научные работы одного из основателей Google, Сергея Брина — его интересовали технологии сбора информации из неструктурированных источников, больших массивов научных данных и текстов. На тот момент, в девяностые годы, текст представлялся неструктурированной информацией. Несмотря на то, что интуитивно мы представляем себе, что в тексте есть заголовок, абзацы, границы между словами и какая-то композиция, для машины это неструктурированная информация. И прежде чем сделать Google, нужно было разобраться в том, как извлекать информацию из текста и представлять её читаемо для машины.

Сама структура таблицы дисциплинирует нас и заставляет как можно мельче дробить информацию, чтобы в ячейке по возможности были её самые мелкие единицы, вплоть до бита. Впрочем, всегда можно взять и свалить все данные в одну ячейку.

— Вы совершенно справедливо говорите, имея в виду, что она придумывается человеком, изобретается. И структура, конечно, является производной того исследовательского вопроса, который мы хотим данным задать. В тот момент, когда данные структурируются и распределяются по таблице, за этим процессом уже — в скрытой или явной форме — стоит желание с этими данными пообщаться, что-то узнать из них. Даже если мы кладём какие-то данные на наш жёсткий диск впрок без каких-то явных вопросов к ним прямо сейчас, всё равно мы подразумеваем, что в будущем эти вопросы можно будет задать.

Если собирать данные о том, что происходит и где, но не предусмотреть колонки с датой, то мы из таких данных не узнаем, когда описанные события происходили — в будущем эти данные нужно будет собирать заново.

Универсального рецепта для структуры данных нет, но мне кажется, что этот процесс завязан на исследовательские вопросы. Не обязательно исследование понимать в научном смысле — это может быть что-то такое очень лёгкое и быстрое, первичен сам вопрос. Философия довольно давно знает, что ответ во многом зависит от вопроса. И структура данных тоже зависит от вопроса, даже если он не прозвучал, он всё равно есть подспудно.

Приступая к работе над корпусом фольклорного архива Башкирского университета, как вы определили, какая должна быть структура данных? В каком виде существовал архив и к какому виду вы его привели?

В случае с фольклорным архивом наши размышления не были вполне свободными. Среди фольклористов довольно давно сложился свой стандарт представления данных, и мы с коллегами старались ему следовать. (Речь идёт про данные, собранные в фольклорных экспедициях). Не имея компьютеров, фольклористы много десятилетий пытались единообразно оформлять собранную информацию. К каждому тексту прилагалась информация о том, от кого он был записан, где и когда. Эту форму записи мы старались воспроизвести в электронном издании.

Что касается самого процесса оцифровки, то это была попытка перевести в цифровое пространство область традиционной культуры.

Башкирское общество, даже на уровне своих элит, до самого последнего времени очень традиционное сообщество, которое сопротивляется многим шагам, предпринятым обществом модерна. Возможно, это связано с тем, что большая часть башкирского общества всё-таки деревенская и в нём гораздо меньше городского начала, чем, например, у близкого географически и этнографически татарского общества. Поэтому между башкирами и татарами, как мне кажется, есть существенная разница.

Определённые академические практики здесь были внедрены довольно давно и к моменту создания корпуса уже хорошо прижились. С первой половины XX века (Башкирский университет не был тогда университетом, а был педагогическим институтом имени Тимирязева Климента Аркадьевича) организовывались фольклорные экспедиции в районы, где проживают, собственно, башкиры.

Надо понимать, что Башкортостан не един этнически. Есть районы, густонаселённые русскими, поэтому существует, например, словарь русских говоров Башкортостана. Со стороны, наверное, это звучит несколько экзотически, но исторически русские крестьяне переселялись из более западных районов в Башкирию. Среди них есть переселенцы из разных диалектных зон, в результате чего получается удивительное разнообразие русских говоров.

Есть довольно много районов, населённых татарами — они находятся на границе диалектных зон и непонятно, что там за язык. Отчасти он следует структурам, которые мы видим в татарском языке, а отчасти тем, которые мы видим в башкирском языке. Радикально настроенные активисты в Татарстане считают, что это диалекты татарского языка. А общая позиция башкирской интеллектуальной элиты сводится к тому, что это диалекты башкирского языка. Договориться, видимо, не получится. До последнего времени довольно острые дискуссии велись в: сейчас дискуссионное поле схлопнулось, но остались следы подобных дискуссий, проходивших на площадке, в частности, Института языкознания.

Именно в башкирские сёла были организованы экспедиции — и материалы их достаточно аккуратно собирались на кафедре башкирской литературы. Есть несколько академических центров изучения башкирского языка и башкирской культуры: Башкирский университет, Башкирский педагогический университет, а также Уфимский научный центр Российской академии наук. У каждого из них есть свои архивные материалы: мы получили доступ к тому, который располагался на кафедре башкирской литературы. Лично я не участвовал в оцифровке и видел эти материалы в бумаге только однажды.

По словам коллег, которые работали с ними, это были такие большие папки с документами, которые хранились в шкафах на кафедре. Студенты, которые ездили на практику (а именно так у нас организованы фольклорные экспедиции), приносили в университет рукописные материалы. Затем эти рукописные материалы перепечатывали на машинке, что облегчало, конечно, их оцифровку, потому что можно было использовать программы OCR.

Важно отметить, что башкирские фольклористы со своим архивом принципиально бережно обращались. Не всем архивам так повезло. Одновременно с архивом башкирского фольклора существовал архив башкирских диалектологических экспедиций, которые предпринимал университет. К тому моменту, когда я предложил стратегию оцифровки университетских архивов, выяснилось, что диалектный архив исчез. По всей видимости, те площади на кафедре, которые занимали эти документы, понадобились для каких-то других дел, и от архива избавились самым варварским образом. Говорят, кто-то видел у мусорных баков на территории университета мешки.

Известно, что таким же образом чуть было не погиб русский фольклорный архив, который существовал на кафедре русской литературы и фольклора. Коллеги вовремя заметили непонятные мешки у мусорных баков на территории университета, полюбопытствовали и обнаружили папки с материалами фольклорных экспедиций.

Надо сказать, что исследования фольклора в верситете были довольно хорошо развиты, потому что ими занимался известный фольклорист Лев Григорьевич Бараг. Он в своё время переехал в Башкирию из столиц. В Уфе издавал ежегодный сборник, который назывался «Фольклор народов РСФСР», довольно известный в профессиональной среде. Но в какой-то момент результаты всей этой многолетней научной деятельности могли просто исчезнуть, потому что какой-то, как бы мы сейчас с иронией сказали, эффективный менеджер нашёл какие-то лишние бумаги. И русский фольклорный архив успели спасти. А вот материалы архива других башкирских экспедиций спасти не успели.

Не то чтобы нами руководило соображение сохранения (preservation) этих данных, но, как показывают другие примеры, собственно, в университете, случившиеся, оцифровка даёт возможность сохранить то, что может в какой-то момент оказаться ситуативно лишним.

Мы часто говорим гипотетически: если мы что-то не оцифруем, то это может пропасть. У меня перед глазами есть два реальных примера: когда выбросили материалы башкирского архива диалектологических экспедиций, а второй случай, когда сгорел Национальный музей в Бразилии. В музее в 2018 году был страшный пожар, и тогда тоже встал вопрос о том, были ли оцифрованы фонды. Если хотя бы в цифровой форме они были бы сохранены, у нас была бы хоть какая-то возможность с образами этих предметов взаимодействовать. А если не было оцифровки, то всё это погибло безвозвратно и невосстановимо.

— Мой коллега по факультету Азамат Абдрахманович Галлямов, сын создателя башкирского букваря, по очереди брал эти папки с делами, сканировал, распознавал (если это была машинопись) и присваивал всем документам необходимые атрибуты, которые требуют стандарты фольклористики.

Вся эта информация — от кого, кем, когда и где был записан текст — позволила нам создать метатаблицу. По ней можно было искать документы по разным параметрам, в том числе по времени записи. Так,÷ первые записи датируются сороковыми годами, задолго до того, как институт стал университетом. Обнаружилась информация о том, в какие именно районы ездили с экспедициями, из каких населённых пунктов больше всего документов. Смотреть на эти метаданные сами по себе уже довольно интересно. Но, к сожалению, эти записи не отражают весь архив — мы не все успели оцифровать.

В тот момент в БашГУ появилась молодая и активная декан, и она дала руководящую директиву для этой работы. Я уже упомянул традиционность, которая свойственна башкирскому обществу. В процессе оцифровки Азамат Абдрахманович столкнулся с идеологическим противодействием со стороны других сотрудников кафедры башкирской литературы.

На заседаниях учёного совета факультета коллеги старшего возраста открыто высказывались против оцифровки, звучали формулировки вроде: «Вы разбазариваете наше наследство». (Сам я не присутствовал на этих заседаниях лично, потому что обсуждения там шли на башкирском языке, а я не владею им достаточно хорошо, передаю со слов коллег). Их нужно понимать так, что в процессе оцифровки и публикации в такого рода материалов они теряют часть своего символического капитала.

Тем, кто включён в процессы глобализации и модернизации, трудно понять, каким образом эта метафора возникла, потому что для нас всё работает наоборот.

С нашей перспективы это не разбазаривание, а способ репрезентации.

Позже, когда сменились ректор и декан, работа по оцифровке прекратилась. Оказывается, что в практических вопросах административная поддержка играет большую роль. Со временем сайт лаборатории, которая занималась этой работой, умер. Сейчас фольклорный архив доступен на моём личном сайте. В тот момент, когда мой сайт отключится (а это неизбежно произойдёт по естественным причинам), исчезнет и электронный архив. Остаётся только надеяться, что в рамках какой-то другой инициативы, более ресурсной и административно последовательной, архив всё-таки будет сохранён.

— Сервер лаборатории на сайте БашГУ, где располагалось электронное научное издание, был отключён. За сайтом никто особо не следил, а со временем изменились стандарты безопасности и получить к нему доступ стало практически невозможным: запрещена авторизация извне сети университета.

Сервер отключался несколько раз, и каждый раз, когда это происходило, нужно было физически идти ногами в IT-отдел университета. А я к тому времени уже переехал в Москву и не мог этого сделать. Мои коллеги в Уфе тоже занятые люди. К тому же айтишники очень любят прятаться за железными дверями, и при этом невозможно до них дописаться.

Сначала мы говорили о том, что, может быть, мой московский IP добавят в белый список для авторизации. Но, когда ты пользуешься домашним интернетом, скорее всего, IP у тебя будет динамическим. Стало понятно, что я не смогу получить доступ к серверу лаборатории, и надо искать какое-то другое решение. Мы в последний раз смогли упросить айтишников включить сервер, хотя бы ненадолго. Я приехал в Уфу и, физически находясь внутри университета, под присмотром местных коллег, скачал всё, что было на сервере, на свой компьютер, чтобы потом развернуть на своём сайте.

— Для нас ориентиром было электронное научное издание, которое существует на сайте Фундаментальной электронной библиотеки «Русская литература и фольклор». Хотя мы, конечно, не слепо следовали этому каркасу: к 2011 году ФЭБ выглядел довольно консервативным. Например, страницы верстались во фреймах, с ними уже никто не работал к этому времени.

Сайт фольклорного архива был довольно новаторским для своего времени. Например, мне всегда казалось, что было бы правильным для фольклорного издания, как и для любых этнографических материалов, размещать карту. Сейчас повсеместно распространены карты, интерактивные оглавления, но в 2011 году интернет выглядел совсем иначе.

Что касается ФЭБа, то в первую очередь мы пользовались авторитетом этого сайта: к тому времени это был уже довольно известный и уважаемый филологами проект.

Следуя за ним, мы тоже назвали наш сайт электронным научным изданием (ЭНИ).

В ФЭБе нас вдохновляло строгое, последовательное, профессиональное отношение к данным. Те, кто занимался ФЭБ, всегда резко критиковали дилетантизм в описании документов, невнимание к библиографическим деталям, которое допускали создатели других электронных сервисов. Главный редактор ФЭБ Игорь Алексеевич Пильщиков говорит о том, что большие проблемы создали себе организаторы ресурса Google Books, когда недостаточно внимательно отнеслись к библиографированию тех книг, которые они включали в свою библиотеку.

В результате у одних изданий появлялись дубли, а другие, наоборот, невозможно найти при поиске. А всё оттого, что занимались описанием этих изданий люди, далёкие от библиографической традиции.

Нам тоже хотелось, чтобы наши метаданные были аккуратно представлены в электронном издании и следовали, если не письменно зафиксированным стандартам, то хотя бы некоторым интуитивно понимаемым стандартам филологической дисциплины.

— Я бы посоветовал изучать уже существующие проекты. Работа с данными — это деятельность, близкая к научной. А наука — дело коллективное. Когда ты занимаешься научной (или околонаучной) деятельностью, нужно расширять свой нетворк, общаться с людьми. Кто-то из них тебе будет полезен и подскажет примеры проектов, на которые можно посмотреть, подскажет конкретные решения, других людей, с которыми стоит пообщаться. Вот это всегда полезно.

— Сам я работаю с текстами и с электронными библиотеками. Я часто пользуюсь Национальным корпусом русского языка, который как раз очень многие упрекают за нефилологичность, за то, что важные для каких-то частных областей филологии данные там теряются. Например, там нет вариантов текстов, нет даты цензурного разрешения. Поэтому Национальный корпус русского языка — не пример бережного отношения к данным. Скорее, это пример ресурса, где данных собрано много, иногда количество вредит качеству. Но нужен разумный компромисс.

Что касается вариантов, недавно появился корпус, который называется «Русская классика», где представлены собрания сочинений классиков, там варианты присутствуют.

Да, корпус может быть плохим и неаккуратным. Но зато он есть. А те, кто стремится к полностью аккуратному результату, часто не доводят дело до конца. И такого рода примеры мы знаем тоже: тщательно размеченный вручную корпус остаётся в рамках десяти тысяч слов. Сотен миллионов он никогда не достигает. А что более полезно для конечного пользователя? Всё-таки корпус на несколько сотен миллионов слов, пускай и с понятными ошибками.

К сожалению, всегда чем-то приходится жертвовать.

интервью: Карина Никифорова