隨著 RDA Toolket 測試版在今年12月轉成正式版本，所謂的 3R 工程 (3R Project, RDA Toolkit Restructure and Redesign Project) 即將告一段落。這次轉換可能對長期使用的客戶造成一些紛擾。底下將列出一些可能有的疑問及解決的方式。更詳細的說明請參考 RDA 指導委員會有關網站轉換的的說明文件。

即將會改變的有

• 正式的切換時間為 台灣時間 12月16日早上10點 (美國中部時間 12月15日晚上8點)
• Beta.rdatoolkit.org 不再會是個可以訪問的網站名稱
• 原先的測試版網站將成為正式的網站 名稱改為:  access.rdatoolkit.org
• 原先的舊版 RDA Toolkit 網址將轉為 original.rdatoolkit.org 
• 如果要前往舊的網站，可以在新版的 Resource 頁籤或者點選新版網頁的頂端橫幅的舊版鏈

不會改變的有

• 以前儲存的網頁鏈結不會因轉換而失效。無論是指向舊版或者測試版的鏈結網址,應該都會帶到原先紀錄時的版本位置。但是不能保證完全不會有錯誤。
• 舊版本的網站不會因為新版本上線而立即消失。什麼時候準備開始關閉舊網站的日期尚未決定。當關閉的日期確定以後，會有正式的公告，屆時才會有開始大約一年的關閉倒數計時。
• 您不會因為沒有做好用新網站來編目的準備而發生心理恐慌

對於新版本切換應該有的準備

• 其實不需要什麼特別的準備。沒有人會期待圖書館馬上利用新版網站進行編目。
• 建議館方開始仔細的研究新的RDA及網站裡的新功能以及新網站的全新架構。
• 建議以 2021 開始準備採用新修訂的 RDA，並且訂定各館自己的啟用切換時程。
• 建議閱讀更詳細的說明文件 RDA 指導委員會有關網站轉換的的說明文件。

可以協助館方準備的資源

•  RDA Lab Series (RDA 實務工作坊 網路研討會)  本年度的即將要結束，2021年會再推出。
• Chris Oliver 寫的 Introducing RDA: A Guide to the Basics after 3R. 這個新的版本(第二版) 針對 3R工程後所發生的各種改變有很好的介紹。
• RDA Toolit YouTube 是在 YouTube 平台上所提供的系列簡短影片，介紹關鍵的觀念並提供使用新版的 RDA Toolkit 的一些小技巧。
• RDA Toolkit 網站在 2021 開始會陸續推出線上引介和協助說明。

2016年11月RDA督導委員會（RDA Steering Committee, RSC）於其年會中決議採納LRM作為RDA發展之概念模式與指引，並自2017年積極展開3R計畫（RDA Toolkit Restructure and Redesign, 3R Project）。

新版RDA Toolkit預訂於2020年12月15日公布，美國合作編目計畫常設訓練委員會（PCC Standing Committee on Training, PCC SCT）為預做準備，現正積極建立相關培訓教材，以協助圖書館社群因應3R計畫成果之新版RDA。

PPC SCT除了於2019年中規劃3R之後的RDA教學（https://www.slideshare.net/ALAeLearningSolutions/teaching-rda-after-3r）外，首先登場的培訓教材為2020年3月開放之IFLA LRM訓練資料，共分為12個模組，並於2020年11月10日更新內容（https://www.loc.gov/catworkshop/RDA2020/index.html）。

OCLC NEXT 部落格 發表"How your library will benefit from linked data"。內容大要如下:

自從 2020年1月獲得 Andrew W. Mellon 基金會的撥款贊助後，OCLC 便嘗試建立一個編目個體項目(Entity, 或譯 實體) 的共享管理架構，讓圖書館走向一個建立並分享館藏的嶄新方向，圖書館界將可以運用過去彼此已經建立的成果，開創新的未來。

OCLC 進行中的"通道計畫 (Project Passage)" 將會提供圖書館界一窺究竟的機會，看看未來圖書館員將要用什麼樣的系統和介面來建立鏈結資料。

當這個計畫進入可以實際運作的階段，參與的圖書館將得以運用鏈結資料來:

• 針對作品，個人作者及其他圖書館需要處理的物件，提供大量的描述性資訊及標誌符碼(Identifiers)
• 得以修正或增加這些描述性的資訊，並為過去沒有建立過的物件加入描述性資訊
• 使用一個整合性的生態環境(包含簡單的使用介面和API)，讓館員得以原生建立鏈結資料而不需要透過轉換MARC資料來達成
• 利用提供的工具，排解個別圖書館本地的詮釋資料和生態環境裡的詮釋資料的矛盾， 並協助圖書館的詮釋資料和非圖書館的資料建立鏈結

同時，這個計畫將會陸續在網路上埋入對館員和讀者都有意義的識別符碼，創建並發布數百萬筆的作品及和這些作品相關的個人作者的資料，並提供關鍵性的鏈結來描述作品，讓作品得以被探索引擎尋獲。透過前後一致的識別符碼來參照這些作品和個人作者，應用程式將得以把過去分佈各個圖書館，或者貌似截然不同的館藏資料給聯結起來。

更新 國家圖書館學位論文學校及系所（新增9校；修改2校）

This article presents an analysis of the enrichment, transformation, and clustering used by vendors Casalini Libri/@CULT and Ex Libris for their respective conversions of MARC data to BIBFRAME. The analysis considers the source MARC21 data used by Alma then the enrichment and transformation of MARC21 data from Share-VDE partner libraries. The clustering of linked data into a BIBFRAME network is a key outcome of data reuse in linked data projects and fundamental to the improvement of the discovery of library collections on the web and within search systems.

Dissertations and theses with interactive digital components seldom fit neatly into the institutional format requirements designed for traditional humanities texts. This creates challenges for students, administrators, and librarians who are charged with preparing these works for library deposit. While disciplinary acceptance of digital dissertations in the humanities may be increasing across institutions, little attention is given to the mechanics of documenting and submitting such projects. Readers, also, are challenged to find and interpret digital projects that may not be entirely described in the accompanying paper. To address this, the authors examined a set of digital theses and dissertations at their institution to determine how these digital components might fit into traditional manuscript formatting guidelines. This article introduces the resulting set of local documentation guidelines for digital dissertations and theses aimed at improving access, preservation, and reproducibility.

本研究藉由2019年中文情緒對話生成（CECG）評比任務所提供約170萬則語料，運用深度學習GPT-2與BERT等技術與工具，實作了具備情感對話的系統，並以CECG提供的測試發文評估其成效。由三位人工判斷的結果，顯示本研究建置發展的系統，與2019年CECG評測最佳團隊的系統有類似的成效水準。而進一步的案例分析發現，對於訓練資料中較普遍的話題，GPT-2的語言建模技術，的確可以生成創新、有趣、完美的回應文句。本研究的主要貢獻為：一、將情感融入發文字串中做為條件求機率，以便簡潔地依原方式訓練並使用GPT-2；二、運用BERT來預測回應文句的連貫性以做為排序的依據。雖然這兩項技巧分別源自GPT與BERT的訓練機制，但我們稍加修改應用於CECG的任務上，獲得了不錯的效果。