در دنیای نرم‌افزارهای متن‌باز، مجوزها نقش حیاتی در تعیین حقوق و مسئولیت‌های توسعه‌دهندگان و کاربران ایفا می‌کنند. گستردگی و تنوع این مجوزها، تحلیل و درک آن‌ها را به یک چالش تبدیل کرده است. مقاله حاضر، به معرفی یک مجموعه داده کلان از متون مجوزهای نرم‌افزاری متن‌باز می‌پردازد که می‌تواند گام مهمی در تسهیل این فرایند باشد.

این مقاله توسط استفانو زاکیرولی (Stefano Zacchiroli) به نگارش درآمده است. زاکیرولی محققی برجسته در زمینه مهندسی نرم‌افزار و حقوق نرم‌افزار است. تخصص او در زمینه‌هایی مانند مدیریت نرم‌افزار، مجوزهای متن‌باز و آرشیوهای نرم‌افزاری، اعتبار ویژه‌ای به این تحقیق می‌بخشد. این تحقیق در زمینه مهندسی نرم‌افزار طبقه‌بندی می‌شود و هدف آن ارائه ابزاری برای درک بهتر و تحلیل آسان‌تر مجوزهای نرم‌افزاری متن‌باز است.

مقاله حاضر به معرفی یک مجموعه داده گسترده از متون کامل گونه‌های مختلف مجوزهای نرم‌افزاری آزاد/متن‌باز (FOSS) می‌پردازد. برای ایجاد این مجموعه داده، نویسنده از آرشیو نرم‌افزاری سافت‌ویر هریتج (Software Heritage) استفاده کرده است. این آرشیو، بزرگترین آرشیو عمومی در دسترس از کدهای منبع FOSS به همراه تاریخچه توسعه آن‌ها است. در این تحقیق، تمامی نسخه‌های فایل‌هایی که نام آن‌ها معمولاً برای انتقال شرایط مجوز به کاربران و توسعه‌دهندگان نرم‌افزار استفاده می‌شود، جمع‌آوری شده‌اند.

این مجموعه داده شامل 6.5 میلیون فایل مجوز منحصربه‌فرد است که می‌تواند برای انجام مطالعات تجربی در مورد مجوزدهی متن‌باز، آموزش طبقه‌بندی‌کننده‌های خودکار مجوز، تجزیه و تحلیل پردازش زبان طبیعی (NLP) متون حقوقی، و همچنین مطالعات تاریخی و فیلوژنتیکی در مورد مجوزدهی FOSS مورد استفاده قرار گیرد. ابرداده‌های اضافی در مورد فایل‌های مجوز ارسالی نیز ارائه شده است، که این مجموعه داده را برای استفاده در زمینه‌های مختلف آماده می‌کند. این ابرداده‌ها شامل معیارهای طول فایل، نوع MIME شناسایی شده، مجوز SPDX شناسایی شده (با استفاده از ScanCode)، نمونه مبدا (به عنوان مثال، مخزن GitHub)، و قدیمی‌ترین کامیت عمومی که مجوز در آن ظاهر شده است، می‌شوند.

این مجموعه داده به عنوان داده باز منتشر شده است و شامل یک فایل آرشیو حاوی تمام فایل‌های مجوز تکراری و همچنین چندین فایل CSV قابل حمل برای ابرداده‌ها است که فایل‌ها را از طریق checksumهای رمزنگاری ارجاع می‌دهند.

روش‌شناسی این تحقیق بر پایه جمع‌آوری داده‌های گسترده از یک منبع معتبر و بزرگ استوار است: آرشیو سافت‌ویر هریتج. این آرشیو به عنوان یک منبع قابل اعتماد و جامع از کدهای منبع متن‌باز شناخته می‌شود. مراحل اصلی روش‌شناسی عبارتند از:

• شناسایی فایل‌های مجوز: یافتن فایل‌هایی که نام آن‌ها به طور معمول برای انتقال شرایط مجوز به کاربران و توسعه‌دهندگان استفاده می‌شود (مانند LICENSE، COPYING و غیره).
• استخراج متون مجوز: استخراج متن کامل این فایل‌ها از آرشیو سافت‌ویر هریتج.
• حذف تکراری‌ها: حذف فایل‌های تکراری برای ایجاد یک مجموعه داده از مجوزهای منحصربه‌فرد.
• استخراج ابرداده‌ها: جمع‌آوری اطلاعات تکمیلی در مورد هر فایل مجوز، مانند طول فایل، نوع MIME، مجوز SPDX شناسایی شده و غیره.
• سازماندهی و انتشار داده‌ها: سازماندهی داده‌ها در قالب‌های استاندارد (مانند CSV) و انتشار آن‌ها به عنوان داده باز.

برای مثال، محققان با استفاده از نام فایل‌های رایج (مانند “LICENSE”) و جستجو در آرشیو سافت‌ویر هریتج، توانسته‌اند میلیون‌ها فایل مرتبط با مجوز را جمع‌آوری کنند. سپس با استفاده از الگوریتم‌های تشخیص تکراری، فایل‌های تکراری حذف شده و یک مجموعه داده منحصربه‌فرد ایجاد شده است. در نهایت، ابزارهایی مانند ScanCode برای شناسایی مجوز SPDX هر فایل و جمع‌آوری ابرداده‌های مربوطه استفاده شده است.

این تحقیق منجر به ایجاد یک مجموعه داده کلان و منحصربه‌فرد از مجوزهای نرم‌افزاری متن‌باز شده است که شامل موارد زیر است:

• حجم گسترده: 6.5 میلیون فایل مجوز منحصربه‌فرد.
• تنوع بالا: پوشش طیف گسترده‌ای از مجوزهای متن‌باز مختلف.
• ابرداده‌های جامع: ارائه اطلاعات تکمیلی در مورد هر فایل مجوز، از جمله مبدا، تاریخچه و نوع مجوز.
• دسترسی آزاد: انتشار مجموعه داده به عنوان داده باز، امکان استفاده گسترده از آن را فراهم می‌کند.

این مجموعه داده نشان‌دهنده تنوع و گستردگی مجوزهای نرم‌افزاری متن‌باز است و می‌تواند به عنوان یک منبع ارزشمند برای تحقیقات آتی در این زمینه مورد استفاده قرار گیرد. برای مثال، تحلیل این داده‌ها می‌تواند الگوهای استفاده از مجوزهای مختلف، تغییرات تاریخی در مجوزدهی و تاثیر مجوزها بر اکوسیستم متن‌باز را آشکار سازد.

این مجموعه داده کاربردهای متنوعی در زمینه‌های مختلف دارد:

• مطالعات تجربی در مورد مجوزدهی متن‌باز: محققان می‌توانند از این داده‌ها برای بررسی الگوهای استفاده از مجوزها، تاثیر مجوزها بر توسعه نرم‌افزار و سایر مسائل مرتبط استفاده کنند.
• آموزش طبقه‌بندی‌کننده‌های خودکار مجوز: این مجموعه داده می‌تواند برای آموزش الگوریتم‌های یادگیری ماشین به منظور تشخیص خودکار نوع مجوز یک فایل استفاده شود. این کاربرد می‌تواند فرآیند ممیزی مجوز را به طور چشمگیری سرعت بخشد.
• تجزیه و تحلیل پردازش زبان طبیعی (NLP) متون حقوقی: این مجموعه داده می‌تواند برای توسعه ابزارهای NLP برای تحلیل و درک بهتر متون حقوقی مجوزها استفاده شود. به عنوان مثال، می‌توان ابزاری ساخت که خلاصه ای از مفاد یک مجوز را ارائه دهد.
• مطالعات تاریخی و فیلوژنتیکی در مورد مجوزدهی FOSS: این مجموعه داده می‌تواند برای بررسی تکامل مجوزهای متن‌باز در طول زمان و شناسایی ارتباطات بین مجوزهای مختلف استفاده شود. به عنوان مثال، می توان شجره نامه ای از مجوزها تهیه کرد که نشان دهد کدام مجوزها از کدام مجوزهای دیگر مشتق شده اند.

به عنوان یک دستاورد مهم، این مجموعه داده به محققان و توسعه‌دهندگان امکان می‌دهد تا به طور موثرتری با پیچیدگی‌های مجوزهای نرم‌افزاری متن‌باز مقابله کنند و تصمیمات آگاهانه‌تری در مورد استفاده و توزیع نرم‌افزار اتخاذ کنند. به عنوان مثال، یک شرکت نرم‌افزاری می‌تواند از طبقه‌بندی‌کننده‌های خودکار مجوز، که با استفاده از این مجموعه داده آموزش داده شده‌اند، برای اطمینان از رعایت شرایط مجوز نرم‌افزارهای متن‌بازی که در محصولات خود استفاده می‌کند، استفاده کند.

مقاله ارائه دهنده یک منبع ارزشمند و قابل دسترس برای جامعه متن‌باز است. مجموعه داده کلان گونه‌های متنی مجوزهای (متن‌باز) که در این مقاله معرفی شده است، می‌تواند به عنوان یک ابزار قدرتمند برای تحقیقات آتی، توسعه ابزارهای خودکار و درک بهتر پیچیدگی‌های مجوزهای نرم‌افزاری متن‌باز مورد استفاده قرار گیرد. دسترسی آزاد به این مجموعه داده، فرصت‌های جدیدی را برای نوآوری و بهبود در اکوسیستم متن‌باز فراهم می‌کند. با توجه به اهمیت روزافزون نرم افزارهای متن باز، این مجموعه داده نقش مهمی در تسهیل مدیریت و درک مجوزها ایفا خواهد کرد.