Exploring Methods for Linked Data Model Evaluation in Practice
Notice bibliographique
Résumé
Ontology development and data modeling are core components of any linked data project. Through our own experiments building a linked data ontology for our collections, we wondered: how are our peers in the linked data community evaluating their ontologies? Are participants engaging in ontology evaluation? What methodologies and evaluation criteria are they using? Are they documenting and sharing their processes? In this paper, we present findings from a survey conducted in the fall of 2018, aimed at professionals from libraries, archives, and museums (LAM) who were part of the data modeling team on linked data projects. The purpose of this survey was to better understand the reality of ontology evaluation in the context of a linked data project. We found that our colleagues were engaging in data modeling as part of linked data projects in a variety of different tasks and roles. There was some ambiguity with respect to evaluation, possibly in part due to the iterative nature of the modeling process. Evaluation is engaged iteratively and informally through use cases, competency questions, and testing of the data in the application. On the whole, not being shared widely outside of a project. The identified barriers to evaluating their models included: lack of knowledge, resources, and documentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,443 | 0,604 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,019 | 0,014 |
| Études des sciences et des technologies | 0,007 | 0,021 |
| Communication savante | 0,030 | 0,036 |
| Science ouverte | 0,011 | 0,023 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».