原著論文
核融合アーカイブ資料の電子化とデータベースの構築
2025 年 29 巻 1 号 p. 288-293
詳細
2025 年 29 巻 1 号 p. 288-293
自然科学研究機構 核融合科学研究所 核融合アーカイブ室では，文部科学省のオープンアクセス加速化事業の下，保有する核融合アーカイブ資料のうち約27,000点の電子化作業を行った．また，その画像データおよび目録データ（メタデータ）・管理データを管理・公開するためのアーカイブ資料データベースシステムを構築した．
核融合研究に対する歴史的評価と社会に対する説明責任を果たしていくことを目的として，自然科学研究機構 核融合科学研究所に「核融合アーカイブ室」が設置され，以下の各業務を遂行している[1]：1．我が国の核融合研究に係わる史料の恒常的・総合的な調査，収集，整理，保管，2．史料目録の作成とそのデータベース化，3．収集された史料及びその目録の適切な基準に基づく公開，4．収集された史料に基づく年表の編纂，5．アーカイブズの手法に関する調査及び研究，6．国内外の関連研究機関とのアーカイブズに関する共同研究．
核融合アーカイブ室は2025年で設立20周年を迎え，約1000箱の資料を保有するに至っている．保有資料の検索に供するため，資料目録の作成とデータベース化を進めている．現時点での整理済みの資料点数は約28,000である．これら資料の多くは紙媒体であり遠隔地からの参照が困難である．また，作成から50年以上が経過した一部資料は劣化が始まっている．そのため，保存と閲覧の両方の観点からデジタル化が急務となっている．
1.2 オープンアクセス加速化事業2024年3月に文部科学省によりオープンアクセス加速化事業（以下，OA加速化事業と略す）が公募された．事業概要[2]によると，「オープンアクセスに係る全学的なビジョン（オープンアクセス方針・研究データポリシー等）に基づく事業計画等を策定している大学等を対象として，研究成果の管理・利活用システム（機関リポジトリ等）の開発・高度化，学長等のリーダーシップのもと全学的なマネジメントによる当該システムの運用・組織体制強化，オープンアクセスを推進する学内支援策（戦略的なAPC支援等）等の実施を支援し，各大学等の即時オープンアクセスに向けた，体制整備・システム改革を加速させること」が目的とされていた．
核融合アーカイブ室の活動理念はオープンサイエンスに合致しており，前節で述べた課題解決を図ることはOA加速化事業の趣旨に沿うものと考えた．そこで，核融合科学研究所の上位機関である自然科学研究機構の事業提案の一項目として，オープンアクセスに向けた核融合アーカイブ室保有の資料のデジタル化及びデータベースシステムの構築を盛り込んだ．結果，無事採択され，核融合アーカイブ室保有の資料のデジタル化及びデータベースシステムの構築を業務委託により実施することが可能となった．
予算に限りがあること，また，事業としての実施のため2024年度中に完了させる必要があることといった制約から，すでに整理が済んでいた資料のうち約27,000点（約700箱）を対象としてデジタル化するとともに，それらのデータ（画像データおよびメタデータ）を登録したデータベースシステムを構築することとした．
1.3 他機関における事例たとえば，東京大学社会情報研究資料センターでは，デジタルコレクションを構築するためのオープンソースソフトウェア（Open Source Software; OSS）であるOmeka Sを中核として，プラグインを用いてIIIF（International Image Interoperability Framework）に対応した画像配信やOAI-PMH（Open Archives Initiative Protocol for Metadata Harvesting）を用いたメタデータ連携を実現している[3]．
大阪中之島美術館では，階層記述を標準とするアーカイブズの目録を適切かつ効率的に作成・管理するOSSであるArchivesSpaceを採用して収集アーカイブズの情報管理・公開を行っている[4]．また，アイテム単位の資料登録・公開のためのデジタルアーカイブシステムとしてOmeka Sを併用している[5]．
いずれもOSSを用いてシステムを構築しているが，高岩[6]は，OSSの導入は原則としてコスト・フリーであるが，実際はかなりの専門的知識に習熟したものでないと，その導入・運用は難しく，そのための人材確保，外部への業務委託，あるいはクラウド・サービスの利用という形でのコストが発生しうる，と指摘している．実際，大阪中之島美術館の例ではArchivesSpaceの導入に際し，調査も含め1年以上の時間をかけているほか，バージョンアップなどの保守作業も発生している[4]．
今回は，事業としての実施のため2024年度中に完了させる必要があるという制約があることから，OSSのアーカイブズ資料データベースシステムを採用するのではなく，基本的な機能のみに絞り込んだシステムを実装することを選択した．
核融合アーカイブ室の保有する資料は，類似した性格の資料（コレクション）複数点をひとつの資料箱に収めて保管されている．各資料はファイル等の形態で綴じられていたり，保存袋に複数が収められていたりする．サイズははがき大から分割しないとスキャンが困難なほど大きな図面まで多様である．
資料の種類としては，研究論文，雑誌記事，機関で発行された紀要のような印刷物，研究ノート，日記，手紙，のような個人的なもの，装置等の設計図面といったものがある．使用されている文字は手書きのものもあれば活字やフォントを用いて印刷されたものもあり，手書きと活字とが同一紙面に混在していることもある．1980年台くらいまでに作成されたものは印刷物であっても手書きのものも多く見受けられる．言語は日本語，英語のみならずロシア語で書かれているものもある．これは核融合研究がロシア（旧ソ連）で活発に行われていたことが背景にあるかもしれない．日本語の文書の一部に縦書きのものもあるが，資料全体としては横書きのものが多くを占めている．
各資料には「nifs-xxx-yyyy-zzz-iii-www」という形式の識別番号が付与されている．ここで，xxxはコレクション番号（資料のまとまり），yyyyはボックス番号（資料箱の識別番号），zzzはファイル番号，iiiはアイテム番号，wwwはサブアイテム番号である．識別番号が各資料を特定するIDに相当する．（ただし，ボックス番号を特定するとコレクション番号が決まるといった依存関係があり，正規化された体系にはなっていない．）
2.2 ファイルフォーマットの選定公文書館等におけるデジタルアーカイブ・システムの標準仕様書[7]の2-2-1項（p. 22）よると，「デジタルアーカイブ・システムのために準備する画像等の形式には，保存用としてTIFF（非圧縮），公開用としてJPEGまたはPDFを採用することが適当と考えられる．（中略）用途に応じて適切な解像度を選択することが望ましい．例えば保存用の画像には，小さな文字や線でも視認可能なように400 dpi程度の解像度とする一方で，公開用の画像については，画像サイズを抑えながらもディスプレイ上では劣化が視認できない程度の解像度にするといったことが考えられる」とされている．
本稿における電子化作業では，費用および時間的な制約のため，保存用と公開用の2種類のファイル形式を作成するという選択は取れなった．画像データの品質を考えると，まずは保存用に非圧縮のTIFFのみを作成し，後から（画像を不可逆圧縮した）PDFに変換する方式が一般的な選択肢として考えられる．しかし，核融合アーカイブ資料はその多くが文書等文字から構成されるものであり，判読可能であれば十分なケースが大半であるという特性があった．そこで，400 dpi，24 bitフルカラーでスキャンし，画像を不可逆圧縮したPDF形式で出力する，という折衷案を採用することにした．なお，画像を不可逆圧縮としたのは，スキャンを実施した業者の保有する環境ではPDFに可逆圧縮の画像を埋め込むという選択ができなかったという消極的な理由と，生成されるPDFファイルのサイズが小さくなりハンドリングしやすくなるという積極的な理由とからである．
データ活用という面からは，光学文字認識（OCR）処理しテキストデータを埋め込められるとより望ましいが，期間内になるべく多くの資料を電子化することを優先したため，テキストデータを含まない画像のみのPDFファイルとせざるを得なかった．
2.3 目録データ（メタデータ）・管理データ核融合アーカイブ室では，アーカイブズの国際標準EAD（Encoded Archival Description；符号化記録史料記述）[8]に準拠して目録データの整理を進めてきた．EADは仕様上ではXML（eXtensible Markup Language）で記述されるものであるが，その各項目をExcelファイルとして管理している．管理項目を表1に示す．ただし，整理済みの資料であってもすべての項目が記述されているわけではなく，欠落している項目が存在しうる．
| 識別記号 |
| コレクション番号 |
| ボックス番号 |
| ファイル番号 |
| アイテム番号 |
| サブアイテム番号 |
| 配架 |
| NFSAD ID（識別番号に類似の資料ID） |
| 会議名称 |
| 作成年月日 |
| 出所・作成者名称 |
| 登録者 |
| 入手源 |
| 標題 |
| 年代 |
| 年代（西暦） |
| Fileレベル概要 |
| マイクロフィルム |
| 画像の有無 |
| 機関情報 |
| 研究分野 |
| 更新年月日 |
| 参照ID |
| 資料の性格 |
| 修復記録 |
| 情報公開 |
| 注記 |
| 登録年月日 |
| 範囲と内容 |
| 副題 |
| 物的状態 |
| 目的 |
| データの保管場所 |
本稿における電子化作業はOA加速化事業の下で実施するものであることから，オープンアクセスリポジトリ推進協会（JPCOAR）が策定・推奨しているJPCOARスキーマ[9]に基づいてメタデータを管理すべきではないか，という議論があった．EADとJPCOARスキーマとに対応関係があれば単なるマッピングの問題であろうと推測されるが，十分な検討ができず今回は問題を先送りすることになった．
電子化作業により，原資料のデジタル的な複製がPDFファイルとして生成される．これに伴い，以下に列挙する項目を新たなメタデータ（管理データ）として管理対象に加えた：PDFのバージョン，PDF埋め込み画像の圧縮方法，PDF埋め込み画像の圧縮レベル，カラースペース，データサイズ，所蔵者，スキャナハードウエア，スキャナ製造者，スキャナソフトウエア，スキャナソフトウエアバージョン，スキャナ設定，スキャン作業業者及び作業従事者，作成日．
なお，各PDFファイルは，当該資料のコレクション番号およびボックス番号で階層化したディレクトリの下に，資料の識別番号をファイル名として統一的に配置することにした．
2.4 電子化作業の推移および遭遇した問題2024年11月上旬よりスキャナによる電子化作業を開始した．まずはサンプルスキャンを実施し，PDFファイルでの画像圧縮レベルを「低」とすることに決定した．また，仕様書で明確に定めていない細々とした事項について，発生の都度取扱い方法を定め，電子化作業を定常フローに乗せていった．
2025年1月末時点で電子化作業の進捗に遅れが生じており，期間内に目標数へ到達できない可能性が出ていた．仕様書では，「製本された本は分解せず，本のまま各ページをスキャンすること．（中略）ホチキスやクリップ等で綴じられた資料は，スキャニングの前に資料を破損しないようにホチキス等を外しても構わない．」としていたが，一部資料については断裁することによりオートフィーダが利用できるようにして作業効率化を図ることを選択した．（1）無線綴じ（接着剤製本）で（2）比較的新しく（3）余白が確保できており（4）破損の恐れがない資料であることを断裁可の判断基準とした．なお，スキャン作業終了後，裁断した資料は綴じられていた単位でまとめて封筒に入れて保管している．
核融合アーカイブ室での事前の整理作業の一部に不備があり，識別番号のつけ間違い，同一識別番号の重複登録，資料に貼付されているはずの識別番号ラベルが剥離しており改めて特定する必要が生じる，などの問題が生じ，対応が必要となった．
分割しないとスキャンが困難なほど大きな図面は複数の画像に分割して電子化したが，現状では分割されたデータのみが保存されている状態である．一つの画像に結合することは今後の課題として残っている．
大小さまざまな障害を乗り越え，2025年3月末には当初の計画通り約700箱，資料点数27,504（ページ総数約135万）の電子化が無事完了した．
今回アーカイブ資料データベースシステム用に導入した機器のネットワーク構成を図1に示す．可用性や運用上の柔軟性を勘案し，ユーザー向けサービスの運用に供するサーバー（以下，運用サーバーと称する）およびデータバックアップ用のサーバー（以下，バックアップサーバーと称する）の2台構成とし，CPUやメモリーなどの基本構成は2台共通とした．両者の相違点はストレージ構成にあり，バックアップサーバーのストレージは20TBのハードディスク8台をハードウェアRAIDによりRAID5で組み，実効容量140TBのストレージとした一方，運用サーバーのストレージは16TBのHDD4台をzfsによるソフトウェアRAID（RAIDZ）構成としている．バックアップサーバーのRAIDストレージは運用サーバーからNFSマウントさせ，双方のサーバーからアクセスできるようにしている．
オープンソースの仮想化プラットフォームProxmox VE[10]により仮想化環境を構築し，2台でクラスタ構成を組んだ．その上にUbuntu[11]をOSとする仮想マシンを配備する．仮想マシンの配備はTerraform[12]により実施するようにした．もし運用サーバーに障害が発生した場合にはアーカイブ資料データベースシステムを搭載した仮想マシンをバックアップサーバー上にスイッチし稼働を継続できるような構成を取っている．
ネットワークは，一般ユーザーが直接アクセスするサービス（仮想マシン）はDMZ（demilitarized zone；非武装地帯）へ，それ以外はFW（firewall）で防御した所内ネットワークへ，それぞれ接続する構成とした．物理的には10Gbase-T 1本のケーブルで接続し，タグVLANにより論理的に2つのネットワークに分離している．
3.2 アーカイブ資料データベースシステム前節で述べた仮想マシン上にアーカイブ資料データベースシステムを構築した．可搬性を高めるため，Webサーバーnginx[13]，Webページ向けプログラミング言語処理系PHP[14]，リレーショナルデータベースMySQL[15]の各サービスをDocker[16]コンテナとして動作させる構成とし，ベースとなる環境はAnsible Playbook[17]により構築される設計とした．この環境の上で，フロントエンドフレームワークとしてLaravel[18] + Vue.js[19]を用いてアーカイブ資料データベースシステムを開発した．
ユーザーは事前に申請を受けてシステム上に登録しておき，Google認証APIによるユーザー認証を経てサービスにアクセスできるようにした．ユーザー権限として，管理者と一般利用者の2種類を用意し，管理者はデータベースの全レコードに対して閲覧，変更，追加，削除の操作ができる一方，一般利用者は閲覧可と設定されたレコードのみ参照できるようにしている．
アーカイブ資料データベースシステムの機能としては，
・目録データの登録・管理機能
・画像データの登録・管理機能
・検索機能：キーワードおよび条件指定検索
・画像データ閲覧機能：サムネイル表示およびブラウザ上での画像本体表示
・閲覧申込書の作成
といった基本的な機能を備え，ユーザーがwebブラウザを用いてグラフィカルに操作できるものとした（図2）．
本稿で述べた核融合アーカイブ資料データベースシステムでは，データそのもの，すなわち，電子化した画像データおよびそれに付随する目録データ・管理データが本質的に重要であり，損失しないよう最大限の策を講じる必要がある．これらのうち，電子化した画像データは基本的に変更されることはないため，運用サーバー上のプライマリーストレージに格納されているファイルの複製をバックアップサーバー上に保持している．また，これとは別に納品時の初期データをオフラインで保管することで，万全を期している．
一方，目録データ・管理データは日次で7世代（1週間分），週次で10世代のデータバックアップをバックアップサーバー上に自動取得することでデータ損失に備えている．本システムが資料検索に資するべく各資料データに付与するメタデータ（目録データ）を整備し精度を高めることを目的の一つとしており，このメタデータ整備は日々の活動として実施されるものであり日単位で変化しうるものであることが日次でのデータバックアップを行っている理由である．ここで，目録データ・管理データが損失される原因としては，ストレージ障害を想定しているのではなく，メタデータ整備作業の際に操作を誤るなどして損失することを想定しており，巻き戻しできるようにすることを意図している．
本稿で構築したアーカイブ資料データベースシステムは，その名の通り，核融合アーカイブ資料の電子化作業により生成された画像データ（PDFファイル）およびそれに付随する目録データ・管理データといったデータベース（に登録された情報）自体を管理者が保守するためのもの，といった側面が強い．一般ユーザーの利用を念頭に置いたユーザーフレンドリーなものになっているとはいいがたいものにとどまっているように感じられる．今後，操作性に関してユーザーの声を聞き，UI/UXを改善することが課題として挙げられる．
我々の組織体制の実態としては，管理者となるのは数名であるため，全権管理者と一般利用者の2種類だけという粒度の粗い権限区分にとどめた．システムの運用上，全権管理者によるデータ保守はセキュリティリスクを高めるため，追加のみ・更新のみ，といった権限階層を設けることが望ましい．このことへの対応も今後の課題として挙げられる．
電子化した画像データおよびそれに付随する目録データ・管理データのバックアップの現状については3.2節で述べた．これに関連して，ストレージ障害への耐性に関する課題が指摘されている．現行のバックアップ体制では目録データ・管理データに対して日次・週次のバックアップを実施しているが，バックアップサーバーに障害が発生した場合，メタデータ整備作業においてエラーが生じた際に復旧が困難となる可能性がある．このようなリスクを踏まえ，今後はより堅牢なバックアップ体制の構築が必要であり，データ保全性の向上に向けた検討が求められる．
現状では運用サーバーダウン時にバックアップサーバーへ自動的に切り替えるようにはできていない．いまのところ本システムの利用を少人数の共同研究者までに限定しており，可用性が損なわれてもあまり問題がないためである．将来的に公開範囲を広げる段には，Proxmox VEの機能を活用し自動でフェイルオーバーするようにすることが望ましい．
今回の作業で電子化した資料は，現時点では廃棄せずに保存を続けている．しかし，保管場所には物理的に限りがあることから，保存する意義の乏しい資料から廃棄せざるをえない時期が訪れるであろうことは想像に難くない．では廃棄可否の判断基準をどう設定すべきか，という点については今後議論を深める必要がある．
核融合アーカイブ室のこれまでの資料整理では，資料そのものの公開可否判断と目録データの公開可否判断を区別していない．そのため，現状では資料の公開可否判断が未確定の資料について，一般利用者の権限では，目録データも検索および表示（公開）の対象から外す措置を取っている．これは必要以上に核融合アーカイブ室が保有する資料の存在を見せていないということであり，早急に改善する必要があるものと認識している．一方で，目録データ自体も非公開とすべきケースが皆無であるかは自明ではないため，目録データを一律に検索・表示の対象としてしまってよいかは検討を要するところである．
アーカイブ資料の検索精度を高めるには，目録データ（メタデータ）を充実させることが肝要である．核融合アーカイブ室員や協力者が資料の現物ないし電子化された資料を参照して人力で目録データを作成するという現状の業務フローでは時間も労力も多大に必要であり，なかなか進捗しないことが想像に難くない．一方，本稿で述べた電子化作業により，コンピューター処理が可能な画像データが得られたわけであるから，AI技術を活用してキーワード抽出や内容要約などを行い，目録データとして登録することが原理的には可能になったといえる．この処理体系を具体的に実装することは今後の課題として取り組みたい．
本稿では，核融合科学研究所核融合アーカイブ室で取り組んだ核融合アーカイブ資料の電子化およびアーカイブ資料データベースシステムの構築について，その概略を述べた．核融合アーカイブ室の保有する多数の資料の検索性を高め，広く一般の方に手軽に閲覧いただける環境を実現するまでにはまだまだ解決すべき課題が山積しているが，少なくとも端緒についたものといえよう．
本稿で述べた核融合アーカイブ資料の電子化およびデータベースの構築は文部科学省のオープンアクセス加速化事業の下で実施されました．株式会社NTTデータ東北の統括のもと，株式会社NTTデータ スマートソーシングおよび有限会社山本マイクロシステムセンターにアーカイブ資料の電子化作業を，インフォ・ラウンジ株式会社にデータベースシステムの構築を，それぞれご担当いただきました．事業遂行にあたり，自然科学研究機構事務局のみなさま，核融合科学研究所管理部および核融合アーカイブ室のみなさまにご協力いただきました．
