در عصر حاضر، داده‌های پژوهشی به عنوان رکن اساسی پیشرفت‌های علمی و تصمیم‌گیری‌های مبتنی بر شواهد، نقشی حیاتی ایفا می‌کنند. ارجاع به این داده‌ها در متون علمی، امکان ردیابی تاثیر و گسترش دانش را فراهم می‌آورد. اما، در حالی که شناسایی ارجاعات رسمی (به ویژه ارجاعاتی که از شناسه یکتای DOI استفاده می‌کنند) نسبتاً آسان است، تشخیص ارجاعات غیررسمی به داده‌ها، چالشی بزرگ محسوب می‌شود. مقاله حاضر با عنوان “کتابدار-در-حلقه: پارادایمی در پردازش زبان طبیعی برای شناسایی ارجاعات غیررسمی به داده‌های پژوهشی در متون علمی” به بررسی راهکاری نوین در این زمینه می‌پردازد.

این پژوهش توسط تیمی از متخصصان در حوزه‌های مختلف، شامل علم اطلاعات، پردازش زبان طبیعی و علوم اجتماعی انجام شده است. نویسندگان مقاله عبارتند از: لیژو فن، سارا لافیا، دیوید بلکلی، الیزابت ماس، آندره تومر و لیبی همفیل. این تیم با تکیه بر تخصص خود، به دنبال ارائه راهکاری کارآمد برای شناسایی ارجاعات غیررسمی به داده‌ها بوده‌اند. زمینه اصلی تحقیق، در تقاطع کتابخانه‌های دیجیتال، پردازش زبان طبیعی، تعامل انسان و رایانه و یادگیری ماشین قرار دارد. این ترکیب چندرشته‌ای، امکان ارائه دیدگاهی جامع و کاربردی را فراهم کرده است.

چکیده این مقاله بر اهمیت ارجاعات داده‌ای به عنوان مبنایی برای مطالعه تاثیر داده‌های پژوهشی تاکید دارد. جمع‌آوری و مدیریت این ارجاعات، مرزهای جدیدی را در علم آرشیو و ارتباطات علمی گشوده است. با این حال، کشف و ساماندهی ارجاعات داده‌ای، فرآیندی زمان‌بر و نیازمند نیروی انسانی زیادی است. در حالی که ارجاعات داده‌ای که به شناسه یکتای DOI اشاره می‌کنند به راحتی قابل یافتن هستند، ارجاعات غیررسمی به داده‌های پژوهشی، چالش‌برانگیزتر هستند. این مقاله یک پارادایم پردازش زبان طبیعی (NLP) را برای پشتیبانی از وظیفه انسانی شناسایی ارجاعات غیررسمی به مجموعه‌های داده پژوهشی پیشنهاد می‌کند. کار کشف ارجاعات غیررسمی داده در حال حاضر توسط کتابداران و کارکنان آن‌ها در کنسرسیوم بین دانشگاهی برای تحقیقات سیاسی و اجتماعی (ICPSR) انجام می‌شود، یک آرشیو بزرگ داده‌های علوم اجتماعی که کتاب‌شناسی گسترده‌ای از ادبیات مرتبط با داده را نگهداری می‌کند. مدل NLP از ارجاعات داده‌ای که به طور فعال توسط کتابداران در ICPSR جمع‌آوری می‌شود، بوت استرپ می‌شود. این مدل، تطبیق الگو را با چندین تکرار حاشیه‌نویسی‌های انسانی ترکیب می‌کند تا قوانین بیشتری را برای تشخیص ارجاعات غیررسمی داده یاد بگیرد. این مثال‌ها سپس برای آموزش یک خط لوله NLP استفاده می‌شوند. پارادایم کتابدار-در-حلقه در کار داده‌ای که توسط کتابداران ICPSR انجام می‌شود، متمرکز است و از تلاش‌های گسترده‌تر برای ایجاد یک کتاب‌شناسی جامع‌تر از ادبیات مرتبط با داده که منعکس‌کننده جوامع علمی کاربران داده‌های پژوهشی است، پشتیبانی می‌کند.

روش‌شناسی به کار رفته در این تحقیق، ترکیبی از تکنیک‌های پردازش زبان طبیعی و یادگیری ماشین است که با تخصص و دانش کتابداران ICPSR تقویت می‌شود. رویکرد اصلی، ایجاد یک “حلقه یادگیری” است که در آن، کتابداران به عنوان متخصصان حوزه، داده‌های اولیه را برچسب‌گذاری می‌کنند و سپس مدل NLP با استفاده از این داده‌ها آموزش داده می‌شود.

مراحل اصلی روش‌شناسی به شرح زیر است:

• جمع‌آوری داده‌های اولیه: کتابداران ICPSR، مجموعه بزرگی از مقالات علمی مرتبط با داده‌های اجتماعی و سیاسی را بررسی کرده و ارجاعات رسمی و غیررسمی به داده‌ها را شناسایی می‌کنند.
• برچسب‌گذاری داده‌ها: کتابداران، ارجاعات شناسایی شده را بر اساس نوع و میزان رسمیت، برچسب‌گذاری می‌کنند. به عنوان مثال، ارجاعاتی که از شناسه DOI استفاده می‌کنند، به عنوان ارجاع رسمی و ارجاعاتی که به صورت غیرمستقیم به داده‌ها اشاره دارند، به عنوان ارجاع غیررسمی برچسب‌گذاری می‌شوند.
• آموزش مدل NLP: داده‌های برچسب‌گذاری شده، برای آموزش یک مدل پردازش زبان طبیعی استفاده می‌شوند. این مدل، با استفاده از تکنیک‌های یادگیری ماشین، الگوهای زبانی مرتبط با ارجاعات غیررسمی را یاد می‌گیرد.
• ارزیابی و بهبود مدل: مدل آموزش داده شده، با استفاده از داده‌های جدید ارزیابی می‌شود. در صورتی که عملکرد مدل رضایت‌بخش نباشد، کتابداران داده‌های بیشتری را برچسب‌گذاری می‌کنند و مدل مجدداً آموزش داده می‌شود. این فرآیند تکرار می‌شود تا زمانی که مدل به دقت مورد نظر برسد.

به عنوان مثال، یک ارجاع غیررسمی ممکن است به این صورت باشد: “در این تحقیق، از داده‌های نظرسنجی اجتماعی سال 2020 استفاده شده است که توسط مرکز تحقیقات … جمع‌آوری شده است.” در این حالت، مدل NLP باید بتواند با تحلیل متن، ارتباط بین این جمله و مجموعه داده مورد نظر را تشخیص دهد.

یافته‌های این تحقیق نشان می‌دهد که استفاده از مدل NLP در کنار تخصص کتابداران، می‌تواند به طور قابل توجهی در شناسایی ارجاعات غیررسمی به داده‌ها موثر باشد. مدل پیشنهادی، قادر است با دقت بالایی، ارجاعات غیررسمی را در متون علمی تشخیص دهد و به کتابداران در جمع‌آوری و ساماندهی اطلاعات مربوط به داده‌های پژوهشی کمک کند. از جمله یافته‌های کلیدی می‌توان به موارد زیر اشاره کرد:

• ترکیب دانش تخصصی کتابداران با تکنیک‌های NLP، منجر به بهبود چشمگیر عملکرد مدل در شناسایی ارجاعات غیررسمی می‌شود.
• حلقه یادگیری مبتنی بر بازخورد کتابداران، به مدل کمک می‌کند تا الگوهای زبانی پیچیده‌تر و ظریف‌تری را یاد بگیرد.
• مدل پیشنهادی، می‌تواند به طور موثر در آرشیوهای داده‌ای و کتابخانه‌های دیجیتال، برای جمع‌آوری و مدیریت اطلاعات مربوط به داده‌های پژوهشی مورد استفاده قرار گیرد.

کاربردهای این پژوهش، گسترده و متنوع است. از جمله مهم‌ترین کاربردها و دستاوردها می‌توان به موارد زیر اشاره کرد:

• بهبود کیفیت کتابخانه‌های دیجیتال: با استفاده از مدل پیشنهادی، کتابخانه‌های دیجیتال می‌توانند اطلاعات دقیق‌تر و کامل‌تری را در مورد داده‌های پژوهشی در اختیار کاربران قرار دهند.
• افزایش دیده شدن داده‌های پژوهشی: با شناسایی ارجاعات غیررسمی، داده‌های پژوهشی می‌توانند بیشتر دیده شوند و تاثیرگذاری آن‌ها افزایش یابد.
• تسهیل فرآیند ارزیابی تاثیر پژوهش: با جمع‌آوری اطلاعات مربوط به ارجاعات داده‌ای، می‌توان تاثیر پژوهش‌های مختلف را به طور دقیق‌تری ارزیابی کرد.
• پشتیبانی از تحقیقات علمی: با دسترسی آسان‌تر به داده‌های پژوهشی، محققان می‌توانند تحقیقات خود را با سرعت و دقت بیشتری انجام دهند.
• کاهش هزینه‌ها و زمان: مدل ارائه شده می‌تواند در کاهش زمان و هزینه های مربوط به شناسایی و ثبت ارجاعات مربوط به داده ها به نحو چشمگیری موثر باشد.

به عنوان یک مثال عملی، فرض کنید یک محقق به دنبال یافتن داده‌های مربوط به نظرسنجی‌های اجتماعی در ایران است. با استفاده از این مدل، کتابخانه دیجیتال می‌تواند علاوه بر ارجاعات رسمی، ارجاعات غیررسمی موجود در مقالات علمی را نیز شناسایی کرده و به محقق ارائه دهد. این امر، باعث می‌شود که محقق بتواند به سرعت و به آسانی، داده‌های مورد نیاز خود را پیدا کند.

مقاله “کتابدار-در-حلقه: پارادایمی در پردازش زبان طبیعی برای شناسایی ارجاعات غیررسمی به داده‌های پژوهشی در متون علمی”، راهکاری نوآورانه و کاربردی را برای حل مشکل شناسایی ارجاعات غیررسمی به داده‌ها ارائه می‌دهد. این پژوهش، با ترکیب دانش تخصصی کتابداران و تکنیک‌های پردازش زبان طبیعی، توانسته است مدلی کارآمد و دقیق را توسعه دهد که می‌تواند در بهبود کیفیت کتابخانه‌های دیجیتال، افزایش دیده شدن داده‌های پژوهشی و تسهیل فرآیند ارزیابی تاثیر پژوهش، نقش مهمی ایفا کند. رویکرد “کتابدار-در-حلقه”، اهمیت نقش متخصصان انسانی را در توسعه و بهبود مدل‌های یادگیری ماشین نشان می‌دهد و می‌تواند به عنوان الگویی برای حل مسائل مشابه در سایر حوزه‌ها مورد استفاده قرار گیرد. این پژوهش، گامی مهم در راستای بهبود مدیریت و دسترسی به داده‌های پژوهشی است و می‌تواند به پیشرفت علم و دانش کمک شایانی کند.