Brussel, TiNT 2015 Jef Malliet

Transcriptie

1 Het belang en gebruik van terminologie i voor Linked Data TiNT 2015 Brussel, 8 oktober 2015 Jef Malliet Erfgoedplus.be, Provincie Limburg

2 Context: Ontworpen in 2002, bouw gestart in 2005, on-line in 2009, in Europeana in 2010 Verzamelen van bestaande digitale gegevens over erfgoed in de provincie, i vooral lokale l erfgoedcollecties Alle domeinen, geen selectie, erfgoedgemeenschappen beslissen zelf wat hun erfgoed is Verzamelen en publiceren van gegevens in één database Ontdekken van verbindingen tussen erfgoedobjecten over de grenzen heen van individuele collecties Semantische technologie: XML, RDF, thesauri

3 Inhoud 1. Linked Data 1. Definities en overzicht 2. Thesauri 3. Open 2. Kwaliteit voor Linked Data 1. Concept van kwaliteit 2. Uitdagingen en antwoorden 3. Conclusies?

4 1.1 Linked Data HET portret? CC BY SA 3.0 Anja Jentzsch ( Wikipedia) Brussel, TiNT 2015 Jef Malliet

5 1.1 Linked Data Technische h elementen RDF: Resource Description Framework, triples <subject> <predicate predicate> <object> URI: Uniform Resource Identifiers PId: Persistent Identifiers Ontologies: Formele systemen voor kennisorganisatie, vb. SKOS, CIDOC-CRM CRM

6 1.2 Linked Data Nieuwe thesauri Nieuw type van thesaurus: gebaseerd op concepten i.p.v. termen monstrances ISO 2788 & ISO 5964 [SN - description] BT / NT - hierarchy ostensories USE monstrances SKOS or ISO <skos:concept rdf:about=" =" 05"> <skos:definition> Christian liturgical vessels <skos:preflabel> monstrances@en <skos:altlabel> ostensories@en <skos:preflabel> ostensoirs@fr <skos:broader> / <skos:narrower> Participatie: thesaurus is geen statische keuzelijst gemaakt door de specialisten maar een dynamisch instrument, gezamenlijk onderhouden door de gemeenschap van gebruikers Beschikbaar als LD: best op één centrale plaats beschikbaar, waar gebruikers direct toegang hebben tot de gangbare versie Goed voorbeeld: Getty Vocabularies

7 1.3 Linked Data Open Toegang: technische vereiste van Linked Data, direct linken moet mogelijk zijn, zonder paswoorden, zonder speciale toepassingen Standaardisering: open, breed gedragen standaarden om informatie te registreren zodat ze begrepen kan worden ook buiten de context van haar ontstaan Open kennis: wanneer gegevens/ informatie/ kennis publiek is, kan ze hergebruikt worden voor verdere ontwikkeling en onderzoek: nieuwe kennis kan dan sneller gecreëerd worden Openbaar domein: CC0, geen copyright, ook voor commercieel hergebruik cf. Europese Commissie, PSI Maar: Weerstand in de erfgoedsector: uitgangspunten komen niet overeen met de realiteit van hoe informatie gecreëerd werd AAA: Anyone can say anything about anything

8 2.1 Datakwaliteit Theorie: dimensies i + _ Accuracy Correctness Currency Completeness Relevance Mistakes Wang et al., 1993 Missing data Inaccurate or deceivingly precise Inconsistent Accurate Complete Integrity Consistent Unambiguous Consistency Timely Meaningful Timeliness Complete Correct Completeness Understandable Huang et al., 1999 Validity Safe van Keulen, 2010 Dejaeger et al., 2009 Sebastian Coleman, 2013

9 2.1 Datakwaliteit Dimensies i

10 2.1 Datakwaliteit Dimensies i

11 2.1 Datakwaliteit Dimensies i

12 Aard 2.1 Datakwaliteit Afhankelijk van context Feiten, mededelingen, achtergrond, Onderzoeksgegevens, metingen, statistieken, financiële gegevens, Modellen, hypotheses, interpretaties, Data everywhere Gebruik Capta selection Information meaning Knowledge (re)construction Checkland and Holwell, 1997 Nieuws, ontspanning, wetenschappelijk, wettelijk, Hergebruik (veel soorten gebruik, contexten) Duurzaamheid (technische, inhoudelijke)

13 2.2 Datakwaliteit Linked data - Semantisch web AAA: Anyone can say anything about anything Uitdagingen van het Semantisch web: Omvang (Vastness) Vaagheid (Vagueness) Onzekerheid (Uncertainty Uncertainty) Inconsistentie (Inconsistency Inconsistency) Misleiding g(deceit)

14 AAA Vastness Uitdagingen i & Antwoorden Duplicaten Geen universele identificatoren Meerdere bronnen over dezelfde objecten Meerdere publicatiekanalen met dezelfde informatie Relevantie UGC (user generated content): alle stadia van slechte informatie gemengd met goede informatie Controle? = censuur! Tegen Web 2.0 regels Tegen mensenrechten Eerder kleine gemeenschap = minder controle = meer besmetting Controle van duplicatie PID (persistent it t identifiers): begint bij de bron Monitoring van secundaire bronnen door primaire bronnen Uniforme communicatie in alle kanalen Relevantie vergroten UGC: we willen het want het bevat verrijking Opvolgen van de eigen gegevens: herlezen, controleren, corrigeren, actualiseren, incl. reacties van de gebruikers

15 AAA Vagueness Uitdagingen i & Antwoorden Betekenis Thesauri Nood aan goede meertalige authority files (thesauri) Interpretatie Afwijkende bronnen / contexten Bron t.o.v. Gebruiker Volledigheid Specifieke context van de bron: weglaten van context-informatie Gemaakt voor specifieke groep gebruikers: weglaten van contextinformatie Meewerken aan bestaande thesauri Consistent, nauwkeurig gebruik Verrijking bij de bron Linking Impliciete context expliciteren Abstractie van specifieke context en gebruikersgroepen Buiten de eigen context denken Geen selectie van informatie

16 AAA Uncertainty Uitdagingen i & Antwoorden Feitelijke waarheid Indicatie van de bron Vele versies van de waarheid Betrouwbaarheid van de bron Benaderingen Schatting t.o.v. meting Waarneming t.o.v. voorspelling Opinie Gemengd Aard van benadering Oorsprong van opinies Verklaring bij afwijkende opinies

17 AAA Inconsistency Uitdagingen i & Antwoorden Tegenstrijdige feiten Bron aanduiden Vele bronnen Andere interpretaties Andere tijden Niet-genormaliseerde gegevens Standaarden gebruiken Informatie in verkeerde Thesauri velden Geschikt datamodel Gemengde soorten informatie in eenzelfde veld Standaarden strikt toepassen Andere contexten Verschillend woordgebruik Ander model van de realiteit Contexten erkennen Concept-gebaseerde thesaurus gebruiken Gemeenschappelijk ontologisch model gebruiken

18 Deceit Uitdagingen i & Antwoorden AAA 2.2 Verkeerde informatie Te goedertrouw Slechte bedoelingen Oude informatie Gemengde precisie / kwaliteit Blijven controleren Feedback gebruiken Interactie met de eindgebruiker Evaluatie en update Bron en precisie aanduiden

19 AAA 2.3 Conclusies Kwaliteit i van semantische data De meeste problemen kunnen niet door techniek alleen worden opgelost Techniek is noodzakelijk Maar de vereiste precisie komt van mensenwerk Betrouwbaarder wanneer dichter bij de primaire i bron Kwaliteit van gegevens vraagt meer werk dan verwacht Geen nieuwe vereisten: standaarden en regels bestaan al lang Betere kwaliteit vergroot herbruikbaarheid en duurzaamheid Context moet expliciet gemaakt worden Bronaanduiding Goede expressie van de semantiek, onafhankelijk van context Semantische koppelingen moeten gemaakt worden door wie de context kent Hulp van de eindgebruiker (UGC- crowdsourcing) Voorzichtig, besmettingsgevaar g Vereist deelname van de primaire bron

20 AAA 2.3 Conclusies (2) Hulp van Thesauri De meeste problemen kunnen niet door techniek alleen worden opgelost Automatische verrijking is niet betrouwbaar genoeg Kruisverwijzingen en koppelen van thesauri is mensenwerk Betrouwbaarder wanneer dichter bij de primaire bron Kwaliteitsthesauri vereisen meer werk dan verwacht Lijst van trefwoorden is niet voldoende, conceptgebaseerde thesaurus is nodig Collectiehouders zijn de specialisten over terminologie Context moet expliciet gemaakt worden Aanduiding van doel en toepassingsgebied g van de thesaurus Goede uitdrukking van de semantiek, onafhankelijk van context Semantische koppelingen maken met andere thesauri Hulp van de eindgebruiker (UGC- crowdsourcing) Een thesaurus bouwen en onderhouden is een gemeenschapsactie Voorzichtig, besmettingsgevaar

21 Vragen? Opmerkingen? Suggesties? Zie ook: Jef Malliet, Open and Linked Data. Elements for a roadmap, Keynote opde TOTh 2014 Workshop in Brussel, 5 December 2014