con respecto a la parte 1:

En cuanto a quién realiza el trabajo, creo respetuosamente que sería mejor y más conveniente si GBIF pudiera dedicar tiempo a esto. A iDigBio/ACIS IT todavía le falta 1 miembro del equipo y, a pesar de nuestros sentimientos de que el producto resultante funcionará mucho mejor para todos, no creo que podamos garantizar que podamos comprometernos con él en el corto plazo.

Aquí hay algunas otras notas para la sección 1 de este número:

• 1-3 en su lista tienen sentido, incluida la solución propuesta en 3 si no se encuentran coincidencias

• para hacer coincidir, podría ser posible hacer coincidir el código de institución de GBIF con el código de institución de collections.json

• según la documentación existente de collections.json (en el archivo Léame del repositorio), el institution_lsid se asigna a un "GRBio LSID o coolURI para el LSID de la institución" si se encuentra; de lo contrario, está en blanco

• es probable que otras coincidencias deban ser algoritmos de coincidencia basados ​​en cadenas. Una nota potencialmente útil para fines de comparación/verificación es que el uuid del conjunto de registros en collections.json coincidirá con el uuid del conjunto de registros proporcionado por nuestra API.

Parte 2:
Los registros individuales en las colecciones de iDigBio.json son registros de la Institución-Colección. GBIF separa adecuadamente la Institución y la Colección en entidades separadas. Consulte el diagrama adjunto para ver la jerarquía prevista.

Nota: hay definiciones de campo en el archivo Léame de: https://github.com/iDigBio/idb-us-collections

Comentarios sobre asignaciones individuales:

“UniqueNameUUID Agregado como identificador”: parece tener la intención de ser un UUID de "institución" en una jerarquía de registros de iDigBio, pero no parece haberse implementado. Mantener como identificador en el sistema GBIF.

recordsetQuery: esto genera un enlace al conjunto de registros de iDigBio (es decir, https://www.idigbio.org/portal/recordsets/ea12da76-1b2e-4944-8709-1de3af1c65e2). Este campo se puede descartar si está generando enlaces al conjunto de registros de otra forma.

Conjuntos de registros - Recordatorio: este es nuestro objeto principal para registros individuales en nuestro sistema

KnownToContainTypes: parece correcto descartarlo.

Extensión de la colección: se puede copiar en CatalogedSpecimens donde CatalogedSpecimens está en blanco, pero no es necesario mantenerlo como un campo separado (descartar).

“attributionLogoURL, proveedorManagedID, derivadoDe”: tenga en cuenta que estos son términos de Audubon Core

Con respecto a la parte 3:

Estamos de acuerdo con el método propuesto para integrar los datos de IH e iDigBio. Para ayudar a determinar quién es el registro más reciente, IH o iDigBio, puede usar la fecha de confirmación para un archivo individual en el repositorio de iDigBio como una fecha agregada/modificada.

La forma en que funciona el repositorio es que un ser humano crea/actualiza un fragmento de json llamado ./colecciones/{coleccion_uuid}.json y confirma. Luego, el flujo de trabajo del software ejecuta pruebas y agrega ese fragmento json en el archivo collections.json completo. Un ejemplo de archivo json individual sería:

https://github.com/iDigBio/idb-us-collections/blob/master/collections/001c5234-048b-11e5-b0ee-002315492bbc

Nota importante : el archivo collections.json que realmente se carga y se usa se sirve desde la rama json-index o gh-pages (se envía a ambas) y no desde la rama principal. Por ejemplo:

https://raw.githubusercontent.com/iDigBio/idb-us-collections/json-index/collections.json

o

http://idigbio.github.io/idb-us-collections/collections.json

Espero que todo esto ayude. Por favor, siéntase libre de @ nosotros para preguntas adicionales o aclaraciones.

@roncanepa @nrejack Estaba revisando las asignaciones y parece que AttributionLogoURL es el único campo de iDigBio que nos falta en nuestro registro. Pero revisé el archivo collections.json y noté que este campo siempre está vacío. ¿Deberíamos agregarlo a nuestro registro? o podemos descartarlo también?

@asturcon Recogimos este campo de Audubon Core, pero acordamos que puede descartar el campo ya que no estamos haciendo nada con él.

¡Muchas gracias por sus respuestas @roncanepa y @nrejack !
En ese caso, comenzaremos con [ 1. Vincular las entradas de iDigBio y GrSciColl ]. Haremos todo lo posible de forma automática y te enviaremos a ti y a Cat algunas cosas que podrían necesitar una revisión manual, ¿te parece bien?

¡Bien por mí, envía lejos! ¡¡Muchas gracias a todos!!

Hola @CatChapman , Morten ha estado trabajando para hacer coincidir las entradas de iDigBio y GrSciColl: https://github.com/gbif/registry/issues/187
Resulta que tiene más sentido hacer coincidir primero todo con las instituciones GrSCiColl porque estas son las entradas para las que tenemos muchos más detalles e identificadores. Luego, una vez que obtuviéramos las coincidencias para la institución, podríamos echar un vistazo a las colecciones y combinarlas también.

Morten describió todo su proceso de emparejamiento y los resultados sobre el tema vinculado anteriormente, pero estos son los aspectos más destacados:

1. Haga coincidir las entradas de iDigBio según el IRN
2. Haga coincidir las entradas iDigBio izquierdas en función de otros identificadores
3. Haga coincidir las entradas de iDigBio de la izquierda según el título y el código (tenga en cuenta que los títulos se procesaron para facilitar la coincidencia)
4. Haga coincidir las entradas iDigBio de la izquierda según la ciudad y el código
5. Hacer coincidir el título de las entradas de iDigBio izquierdas solo cuando no hay un código de institución de iDigBio
6. Hacer coincidir el título basado en las entradas iDigBio izquierdas (a pesar de los códigos en conflicto)
7. Hacer coincidir las entradas iDigBio izquierdas manualmente

Esto deja 235 entradas de iDigBio sin igual para las cuales crearíamos nuevas entradas en GrSciColl.
¡Ahora necesitamos tu ayuda para verificar la coincidencia! ¿Podría revisar https://github.com/gbif/registry/issues/187 y ver el resultado coincidente? (También podemos proporcionarle una hoja de cálculo si es más conveniente).

Tenga en cuenta que es posible que tengamos algunas colecciones duplicadas al principio, ya que algunos títulos de colección pueden ser un poco vagos en GrSciColl y no siempre tenemos códigos confiables. No se preocupe, esperamos solucionarlos un poco más tarde.

Morten también documentó cómo esperamos realizar la fusión aquí: https://github.com/gbif/registry/issues/188

@ManonGros ¡GUAU! Esto es genial. Ustedes rockean, mucho.

Una hoja de cálculo sería fantástica: te acabo de enviar un correo electrónico, así que no dudes en enviarla allí o vincularla (si es una hoja de cálculo de Google, etc.) aquí.

Ahora echaré un vistazo al n.º 188.

¡Estupendo! Estoy agregando el archivo CSV separado por tabulaciones para la coincidencia:
iDigBio_GrSciColl_matches_march2020.tsv.zip

Sería genial recuperar su cheque en un formato legible por máquina. Sugerimos agregar una columna a este archivo con verdadero/falso para cada coincidencia junto con una posible columna de "corrección" con la coincidencia correspondiente que cree que es verdadera.

Archivo JSON de Morten actualizado con información de CAT:
iDigBio_Morten_matches_AND_Cat_addition.json.zip