MétaCan
Menu
Retour à la cohorte
Enregistrement W7133042738

Facilitating Discovery in Open Data Repositories

2024· dissertation· W7133042738 sur OpenAlexaff
Christina of Christodoulakis

Notice bibliographique

RevueTSpace · 2024
Typedissertation
Langue
DomaineDecision Sciences
ThématiqueData Quality and Management
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMetadataData elementMetadata repositoryDiscoverabilityMetadata modelingOpen dataLinked dataSchema (genetic algorithms)Data mapping
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Governments and industry are increasingly recognizing the potential benefits of publicly available data for social, scientific, and business innovation. The growth of data on public platforms has made data discoverability challenging. This is exacerbated by inconsistent adherence to data publishing standards. Comma-Separated Values (CSV) is a prevalent Open Data format used in various domains for its straightforwardness. Yet, CSV data often lacks strict specification compliance, complicating automated discovery and extraction. Our work introduces two novel methods to enhance Open Data metadata for improved data discovery. The first, Pytheas, automates the discovery of topological structural metadata in CSV files — identifying table locations and elements by leveraging column value coherency. We evaluated Pytheas over two manually annotated data sets totaling 4511 CSV files sourced from portals in four English-speaking countries. We show that Pytheas compares favorably to state-of-the-art approaches in accuracy and generalizability. Finally, we introduce a confidence measure for table discovery and demonstrate its value in error identification. The second method, Gnomon, focuses on the unification of semantics metadata of table attributes found in supplementary documentation files in Open CSV. We propose a metadata model for capturing common table attribute semantics, and use a two-step unification approach: an ensemble of classifiers to discern schema matching between a source schema and the target metadata model, followed by a Weighted Bipartite b-Matching (WBbM) step to enforce domain constraints. Evaluating Gnomon on 228 files from English-speaking government and scientific Open Data portals showed that it outperforms current schema matching techniques, with WBbM proving effective in the alignment task. We anticipate that these approaches will empower researchers and industry professionals across a wide spectrum of domains, highlighting their potential to advance the landscape of data science and collaboration

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,011
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Communication savante, Science ouverte, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesScience ouverte
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,314
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0120,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0150,007
Science ouverte0,0130,014
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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.

Tête enseignante Opus0,325
Tête enseignante GPT0,552
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeQualitatif
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpaceMême sujetData Quality and ManagementTravaux en français237 207