مفردات وصف مجموعات البيانات على الويب

مقدمة:

ساعد تطور تقنيات الويب الدلالي ونضجها على تحديد تطبيقاتها الملموسة، وأتاح تنفيذ أدوات لنشر البيانات المهيكلة على الويب. وتستند إتاحة هذه البيانات إلى مبدأ التشغيل البيني الدلالي، وهو هدف معايير مثل RDF وOWL وSPARQL وغيرها.

تستخدم آلاف المجموعات هذه التقنيات للنشر والوصول. والتشغيل البيني لا يقوم على التقنيات المذكورة وحدها، بل على تعريف المفردات أيضًا [1]. ومن المبادرات المهمة هنا LOV [2]، التي تتيح للمبرمج البحث عن مفردات قائمة قبل تعريف مفردات جديدة تلبي حاجات محددة لوصف الموارد وتمثيلها. أي إن إعادة الاستخدام لا تقتصر على مجموعات البيانات، بل تشمل المفردات.

وتؤكد مجموعة عمل Data on the Web في W3C ذلك في وثيقة أفضل الممارسات (Farias-Lóscio; Burle; Calegari, 2016): إعادة استخدام المفردات تزيد التشغيل البيني للبيانات. ولذلك ينبغي أن تحتوي المجموعة على معلومات إضافية تتجاوز بياناتها نفسها؛ أي بيانات وصفية عن المجموعة، تشمل الجوانب الوصفية والبنيوية والارتباط بمجموعات أخرى، وكيفية الاستخدام، والمعايير والمؤشرات المتصلة بالجودة.

فهم مفهوم مجموعة البيانات

مجموعة البيانات أكثر من حاوية لعبارات RDF. إنها وحدة واصفة لذاتها تضم بيانات مهيكلة متاحة بصيغ عدة للتنزيل الكامل أو الوصول الانتقائي. ويجب أن تراعي إدارة إصداراتها التحديثات عبر الزمن. ويلزم أيضًا مفهوم التوزيعة distribution، الذي ييسر استخدام المجموعة لفئات المستفيدين أو مستهلكي البيانات وفق حاجاتهم.

قد يفضل بعضهم تنزيل المجموعة كاملة بصيغة RDF/XML، ويفضل آخرون نقطة وصول SPARQL Endpoint، وقد يفضل غيرهم واجهة API. ويمكن أن تكون للمجموعة إصدارات متتابعة، ولكل إصدار توزيعة أو أكثر.

ينبغي أن تقدم البيانات الوصفية معلومات عن المجموعة وإصداراتها وتوزيعاتها المختلفة، لتيسير الثقة وإعادة الاستخدام. وإلى جانب وصف المحتوى والبنية، يجب بيان كيفية الوصول ومؤشرات الجودة والمنشأ وترخيص الاستخدام.

كذلك يجب نشر جميع الموارد، سواء المجموعة كاملة أو عناصرها، بمعرّفات IRI مستقرة [3] حتى يمكن الإحالة إليها. وعلى الناشرين مراعاة الإصدارات الجديدة، وإدراك أن حذف البيانات بلا بيان ممارسة غير جيدة؛ بل يلزم توضيح أن المورد حذف أو أُرشف، وتقديم المعلومات المناسبة [4]. وهنا تبرز أهمية رسم RDF واستخدام معرّفات IRI.

ليست موارد RDF العناصر الوحيدة التي يمكن تعريفها بواسطة IRI؛ فالمجموعة كاملة تعرّف بالطريقة نفسها. ومجموعة البيانات، في الحقيقة، مجموعة من رسوم RDF.

يرتبط كل رسم في المجموعة، باستثناء واحد، بمعرّف IRI؛ وتسمى هذه «الرسوم المسماة» named graphs. أما الرسم بلا IRI فيعرف بالرسم الافتراضي default graph (Bizer, 2007, p. 62).

وترتبط عبارات RDF برسوم مسماة محددة؛ لذلك يتسع مفهوم الثلاثيات <الموضوع><المحمول><الكائن> إلى الرباعيات <الموضوع><المحمول><الكائن><الرسم>. وتنتمي العبارة غير المرتبطة برسم مسمى إلى الرسم الافتراضي (Carothers, 2014).

قد يبدو الشرح تقنيًا، لكنه ضروري لفهم إدارة إصدارات المجموعات. ومع عدم وجود طريقة معيارية بعد، يتبع غالبًا أن تمثل عبارات الرسم الافتراضي أحدث إصدار، بينما ترتبط عبارات الإصدارات السابقة برسوم مسماة. ويلزم حفظ الإصدارات السابقة ضمن خطة للصون الرقمي؛ إذ يتيح تدقيق المجموعة وتقييمها ويشكل مؤشر ثقة.

وصف مجموعات البيانات

يلزم وصف جوانب من المحتوى والبنية، وهناك نهجان: إضافة بيانات وصفية ذاتية إلى البيانات نفسها؛ وإدارة فهرس للمجموعات لأغراض الضبط والبحث.

تستخدم VoID، أي مفردات مجموعات البيانات المترابطة Vocabulary of Interlinked Datasets، عادة للمهمة الأولى. وتهدف إلى وصف المجموعة وروابط RDF التي تصل مجموعات مختلفة (Alexander et al., 2011; Cyganiak et al., 2011). وهذه روابط يكون موضوعها وكائنها موصوفين في مجموعتين مختلفتين.

وتستخدم عادة مصطلحات Dublin Core [5] أو FOAF [6] لوصف معرّفات المجموعة وناشرها ومصدرها وتواريخ إنشائها ونشرها وتعديلها وغيرها.

وتتيح VoID أصنافًا وخصائص لتحديد المفردات المستخدمة، والتقسيمات، أي المجموعات الفرعية، والأصناف والخصائص والمعلومات الإحصائية عن البنية. كما تحدد آليات الوصول، مثل التنزيل ونقطة SPARQL والموارد التي توفر منافذ الوصول وأمثلة الموارد. وتصف أيضًا روابط المجموعات، بتحديد المجموعات المتصلة ونوع الروابط وعددها.

أما بناء فهارس المجموعات فيستخدم DCAT، أي Data Catalog Vocabulary. وهي مفردات لوصف المجموعات في فهارس قابلة للتشغيل البيني، بحيث تستهلك التطبيقات أوصاف مجموعات من فهارس عدة معًا (Maali; Erickson, 2014).

ويمكن باستخدام DCAT تعريف فهارس سجلات تصف المجموعات. ومن جوانبها المهمة الإحالة إلى ناشري المجموعات داخل الفهرس نفسه، واستخدام مفردات SKOS لتصنيف المجموعات بحسب الموضوع. ويوضح الشكل الأول بنية نموذج DCAT.

تعليق الشكل 1: نموذج بيانات DCAT. لم تُنقل الصورة. https://www.w3.org/TR/vocab-dcat/dcat-model.jpg

المنشأ

مجموعات البيانات كائنات معلومات ينتجها ناشر، وقد تعكس أنشطة محددة. ويقصد بالمنشأ هنا المعلومات عن المنظمات والأنشطة والأشخاص الذين ينتجون المجموعة. وتستخدم لتقييم الجودة والموثوقية والثقة. وتتيح أنطولوجيا PROV-O تمثيلها (Lebo; Sahoo, 2013).

وتعرّف PROV-O المجموعات كيانات تنتجها أنشطة تجري خلال مدة زمنية وترتبط بدورها بفاعل. وتنتظم أصنافها وخصائصها في ثلاثة مستويات من التفصيل.

أصناف وخصائص البداية: تشكل قاعدة PROV، وتنتج أوصاف منشأ بسيطة تقتصر على الكيانات والفاعلين والأنشطة.

الأصناف والخصائص الموسعة: توفر مصطلحات إضافية لوصف أدق للمنشأ، بما فيه الأشخاص والفاعلون البرمجيون والمجموعات وأوصاف المنشأ والمواقع.

الأصناف والخصائص المؤهلة: تصف بدقة كبيرة التأثير بين الكيانات والفاعلين والأنشطة، والمراجعات والتفويضات والارتباطات بين الفاعلين والكيانات المشتقة وغيرها.

قد تكون PROV-O معقدة جدًا للاستخدام أحيانًا. وتقدم أنطولوجيا PAV نهجًا أبسط ومكملًا في الوقت نفسه؛ إذ تخصص بعض مصطلحات PROV-O وDublin Core لوصف التأليف وتنقيح المحتوى والإنشاء الرقمي للموارد الإلكترونية. ومع أنها «أنطولوجيا خفيفة»، توفر مصطلحات تميز أدوار الفاعلين تجاه المورد، كالإنشاء والاستيراد والاشتقاق والتنقيح والاسترجاع وإدارة الإصدارات (Ciccarese; Soiland-Reyes, 2015).

الجودة

تقاس جودة المجموعة وفق خصائص محددة للمجموعة وتوزيعاتها. ومفردات جودة البيانات DQV امتداد لـDCAT لتمثيل أمور مثل تكرار التحديث، وقبول التعديلات المقترحة من المستخدمين، والتزام الناشرين بالمحافظة على المجموعة وصونها (Albertoni; Isaac, 2016). ويمكن أن تساعد المبرمجين على الثقة بالبيانات التي تستخدمها تطبيقاتهم.

وتعرف DQV خمسة أنواع من المعلومات، بأصنافها وخصائصها، للتعبير عن جودة المجموعة أو التوزيعة: الإفادات والدرجات والتقديرات وشهادات الجودة؛ والمطابقة للمعايير المستخدمة؛ والسياسات أو الاتفاقات التي تحكمها معايير جودة البيانات؛ ومقاييس الجودة النوعية أو الكمية؛ والكيانات الداخلة في منشأ المجموعة أو التوزيعة.

وتعرّف DQV قياسات الجودة انطلاقًا من أبعاد ومقاييس؛ فالأبعاد تشير إلى خصائص محددة، والمقاييس تحدد إجراءات قياس الأبعاد.

ومن أهم جوانبها آلية اشتقاق توصيفات الجودة. فهي تنطلق من إمكان اشتقاق معلومات الجودة من معلومات أخرى؛ لذلك تتيح اشتقاق توصيفات لجودة مجموعة أو توزيعة من معايير أو قياسات موجودة أو معرفة سابقًا.

تعليق الشكل 2: العناصر الأساسية لأنطولوجيا PROV. لم تُنقل الصورة. https://www.w3.org/TR/2013/REC-prov-o-20130430/diagrams/starting-points.svg

الاستخدام والاستشهاد والإفادة

يمكن للمستهلكين استخدام البيانات المنشورة على الويب بطرائق متعددة. ومن المفيد للناشرين معرفة تجربة استخدامها. ويحتاج المستخدمون بدورهم إلى آليات للاستشهاد بالمجموعات أو معرفة أدوات الوصول المتاحة.

ولهذا عُرفت مفردات استخدام البيانات DUV؛ لتوفر طريقة للاستشهاد بالبيانات، وبيانات وصفية عن كيفية الوصول إلى المجموعات وتوزيعاتها واستخدامها، وتمثيل تعليقات مستهلكي البيانات وتجاربهم (Farias-Lóscio; Stephan; Purohit, 2016).

بنية DUV معيارية الوحدات، وتقدم ثلاثة نماذج فرعية: الاستشهاد والاستخدام والإفادة.

نموذج الاستشهاد: المجموعات والتوزيعات أشكال من الوسائط الإلكترونية يمكن للمستهلكين الاستشهاد بها باستخدام بيانات مرجعية ببليوجرافية أساسية يقدمها الناشرون. ويمكن للناشرين أيضًا إرفاق مراجع ببليوجرافية توفر معلومات إضافية للمستهلكين، بل ومراجع يقدمها المستهلكون أنفسهم.

نموذج الاستخدام: من المفيد تتبع كيفية استخدام المستهلكين للبيانات. ويمكن أن يحسن ذلك فائدتها، بوصف طرائق استخدامها وإدراج الوصف ضمن بيانات وصفية يقدمها الناشر إلى مجتمع المستهلكين.

نموذج الإفادة: يوفر وسيلة لمشاركة إفادات التقييم. وهي مهمة لحل مشكلات جودة البيانات المنشورة؛ فقد تختلف تجارب المستخدمين مع المجموعة نفسها. ويقول الأصل إن «DQV» تتيح تمثيل سياق الاستخدام وملف المستخدم [ورد الاختصار DQV هنا في الأصل ضمن فقرة تشرح نموذج الإفادة في DUV]. وتتيح الإفادة أيضًا إيصال التصحيحات أو الاقتراحات إلى الناشر.

خاتمة

أصبح نشر البيانات وفق معايير التشغيل البيني أمرًا مسلمًا به. ويمكن القول إن مرحلة تطوير التقنيات والنشر التجريبي للمجموعات قد جرى تجاوزها. وصار تطبيق البيانات المفتوحة المترابطة معلومًا، وتعريف الاتصالات والمقابلات وروابط RDF بين المجموعات ممارسة شائعة. وأصبحت أطر تطوير برمجيات RDF وتخزينها مجالًا مطروقًا.

ومع ذلك، ما زال مجال بحث معماريات التطبيقات لنشر البيانات والاستعلام عنها خصبًا. فتطبيق أفضل الممارسات، وإنشاء مفردات للبيانات الوصفية التي تشرح المحتوى والبنية والمنشأ والجودة والاستخدام، يتيح تحديد خصائص منصات النشر بدقة أكبر.

وفي المستقبل القريب، سنشهد نشاطًا مكثفًا في إنشاء مفردات مثل DCAT وPROV-O وDQV وDUV وإعادة صياغتها وتبسيطها ونشر استخدامها الفعلي. ولن تقاس جودة المجموعات بجودة بياناتها وحدها، بل أيضًا «بالبيانات الوصفية التي تتيح…» [الجملة غير مكتملة في الأصل].

بل يمكن تصور أفق أوسع؛ إذ يحتمل أن يصبح نشر البيانات ووصفها على الويب وفق أفضل الممارسات أمرًا مفترضًا. وعندئذ يكون المفتاح كيفية استخدامها عبر واجهات API وتطبيقات الأطراف الأخرى.

ملاحظات الأصل

1. تستخدم «مفردات» للدلالة على مجموعة أصناف وخصائص معرفة معًا. ويصعب الفصل الحصري الدقيق بين الأنطولوجيات ومخططات البيانات الوصفية ومصطلحات المفردات وغيرها. وكما يوضح W3C، لا يوجد حد واضح، وقد تكون درجة التعقيد عامل اختيار التعبير. https://www.w3.org/standards/semanticweb/ontology

2. مبادرة LOV، أي Linked Open Vocabularies، تسجل مفردات البيانات الوصفية والأنطولوجيات. https://lov.okfn.org

3. معرّف IRI تعميم لمعرّف URI يتيح نطاقًا أوسع من محارف Unicode؛ ومن ثم يسمح بترميز UTF-8 لمحارف قد لا تكون مسموحة أصلًا في URI. https://www.w3.org/TR/rdf11-concepts/#dfn-iri

4. يضبط الخادم عادة، عند طلب مورد ذي IRI لم يعد متاحًا وكان موجودًا، لإرجاع 410 Gone لإفادة عدم الإتاحة، أو 303 See Other للإحالة إلى مكان بمعلومات إضافية إذا تغير المعرّف أو أُرشف المورد.

5. معلومات Dublin Core: http://dublincore.org/documents/2010/10/11/dcmi-terms

6. معلومات FOAF: http://xmlns.com/foaf/spec/

المراجع

• خوان أنطونيو باستور سانشيث، جامعة مرسية. pastor@um.es.
• Albertoni, Riccardo; Isaac, Antoine (2016). Data on the Web best practices: Data quality vocabulary. W3C Working Group Note, 30 August 2016. https://www.w3.org/TR/2016/NOTE-vocab-dqv-20160830
• Alexander, Keith; Cyganiak, Richard; Hausenblas, Michael; Zhao, Jun (2011). Describing linked datasets with the VoID vocabulary. W3C Interest Group Note, 03 March 2011. http://www.w3.org/TR/2011/NOTE-void-20110303
• Bizer, Christian (2007). Quality-driven information filtering in the context of Web-based information systems. Tesis Doctoral, Freie Universitat Berlin. http://www.diss.fu-berlin.de/diss/servlets/MCRFileNodeServlet/FUDISS_derivate_000000002736/
• Carothers, Gavin (2014). RDF 1.1 N-Quads: A line-based syntax for RDF datasets. W3C Recommendation, 25 February 2014. https://www.w3.org/TR/2014/REC-n-quads-20140225
• Ciccarese, Paolo; Soiland-Reyes, Stian (2015). PAV – Provenance, authoring and versioning. http://pav-ontology.github.io/pav ; http://purl.org/pav/2.3
• Cyganiak, Richard; Zhao, Juan; Alexander, Keith; Hausenblas, Michael (2011). “Vocabulary of Interlinked Datasets (VoID)”. Deri Vocabularies. http://vocab.deri.ie/void
• Farias-Lóscio, Bernadette; Burle, Caroline; Calegari, Newton (2016). Data on the Web best practices. W3C Candidate Recommendation, 30 August 2016. https://www.w3.org/TR/2016/CR-dwbp-20160830
• Farias-Lóscio, Bernadette; Stephan, Eric G.; Purohit, Sumit (2016). Data on the Web best practices: Dataset usage vocabulary. W3C Working Group Note, 30 August 2016. https://www.w3.org/TR/2016/NOTE-vocab-duv-20160830
• Lebo, Timothy; Sahoo, Satya (2013). PROV-O: The PROV ontology. W3C Recommendation, 30 April 2013. http://www.w3.org/TR/2013/REC-prov-o-20130430/
• Maali, Fadi; Erickson, John (2014). Data catalog vocabulary (DCAT). W3C Recommendation, 16 January 2014. http://www.w3.org/TR/2014/REC-vocab-dcat-20140116