Notice bibliographique
Résumé
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 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 | 0,039 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,016 | 0,015 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,013 | 0,025 |
| Science ouverte | 0,006 | 0,023 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».