ترجمه فارسی مقاله AutoFAIR: تبدیل خودکار داده‌ها از طریق خواندن ماشینی

چکیده

The explosive growth of data fuels data-driven research, facilitating progress across diverse domains. The FAIR principles emerge as a guiding standard, aiming to enhance the findability, accessibility, interoperability, and reusability of data. However, current efforts primarily focus on manual data FAIRification, which can only handle targeted data and lack efficiency. To address this issue, we propose AutoFAIR, an architecture designed to enhance data FAIRness automately. Firstly, We align each data and metadata operation with specific FAIR indicators to guide machine-executable actions. Then, We utilize Web Reader to automatically extract metadata based on language models, even in the absence of structured data webpage schemas. Subsequently, FAIR Alignment is employed to make metadata comply with FAIR principles by ontology guidance and semantic matching. Finally, by applying AutoFAIR to various data, especially in the field of mountain hazards, we observe significant improvements in findability, accessibility, interoperability, and reusability of data. The FAIRness scores before and after applying AutoFAIR indicate enhanced data value.

چکیده به فارسی (ترجمه ماشینی)

رشد انفجاری داده ها تحقیقات داده محور را سوخت می کند و پیشرفت در حوزه های متنوع را تسهیل می کند.اصول منصفانه به عنوان یک استاندارد هدایت کننده ظاهر می شود ، با هدف تقویت قابلیت یافتن ، دسترسی ، قابلیت همکاری و قابلیت استفاده مجدد داده ها.با این حال ، تلاش های فعلی در درجه اول بر روی داده های دستی داده ها تمرکز دارد ، که فقط می تواند داده های هدفمند را اداره کند و فاقد کارایی باشد.برای پرداختن به این مسئله ، ما Autofair را پیشنهاد می کنیم ، معماری که برای تقویت انصاف داده به صورت خودکار طراحی شده است.در مرحله اول ، ما هر داده و عملکرد ابرداده را با شاخص های عادلانه خاص برای هدایت اقدامات قابل اجتناب از ماشین تراز می کنیم.سپس ، ما از Web Reader برای استخراج خودکار ابرداده بر اساس مدل های زبان ، حتی در صورت عدم وجود طرح های صفحه وب ساختار یافته استفاده می کنیم.پس از آن ، تراز عادلانه برای ایجاد ابرداده با اصول عادلانه با راهنمایی هستی شناسی و تطبیق معنایی استفاده می شود.سرانجام ، با استفاده از Autofair در داده های مختلف ، به ویژه در زمینه خطرات کوهستانی ، ما پیشرفت های چشمگیری در یافتن ، دسترسی ، قابلیت همکاری و قابلیت استفاده مجدد داده ها مشاهده می کنیم.نمرات انصاف قبل و بعد از استفاده از Autofair حاکی از افزایش ارزش داده ها است.