Авторы:  (1) Арканджело Массари, Исследовательский центр открытых научных метаданных, факультет классической филологии и итальянских исследований, Болонский университет, Болонья, Италия {arcangelo.massari@unibo.it};  (2) Фабио Мариани, Институт философии и искусств, Университет Леуфана, Люнебург, Германия {fabio.mariani@leuphana.de};  (3) Иван Хейби, Исследовательский центр открытых научных метаданных, факультет классической филологии и итальянских исследований, Болонский университет, Болонья, Италия, и Центр перспективных исследований цифровых гуманитарных наук (/DH.arc), факультет классической филологии и итальянских исследований, университет Болонья, Болонья, Италия {ivan.heibi2@unibo.it};  (4) Сильвио Перони, Исследовательский центр открытых научных метаданных, факультет классической филологии и итальянских исследований, Болонский университет, Болонья, Италия, и Центр перспективных исследований цифровых гуманитарных наук (/DH.arc), факультет классической филологии и итальянских исследований, университет Болонья, Болонья, Италия {silvio.peroni@unibo.it};  (5) Дэвид Шоттон, Оксфордский центр электронных исследований, Оксфордский университет, Оксфорд, Великобритания {david.shotton@opencitations.net}.  Таблица ссылок   Аннотация и введение   Сопутствующие работы   Методология   Данные и услуги   Обсуждение   Заключение, благодарности и ссылки  2. Сопутствующие работы  В этом разделе мы рассмотрим наиболее важные наборы данных научных публикаций, доступ к которым не требует подписки, то есть общедоступные наборы данных, содержащие научные библиографические метаданные. Поскольку OpenCitations Meta использует технологии Semantic Web для представления данных, особое внимание будет уделено наборам данных RDF, а именно Wikidata, Springer Nature SciGraph, BioTea, OpenResearch Knowledge Graph и Scholarly Data. Кроме того, будут описаны OpenAIRE Research Graph, OpenAlex и Scholarly Data, поскольку они являются наиболее обширными наборами данных по количеству работ, хотя и не представляют данные семантически.  OpenAlex (Priem et al., 2022) восстал из пепла Microsoft Academic Graph 1 января 2022 года и унаследовал все его метаданные. Он включает данные Crossref (Hendricks et al., 2020), Pubmed (Maloney et al., 2013), ORCID (Haak et al., 2012), ROR (Lammey, 2020), DOAJ (Morrison, 2017), Unpaywall ( Дхакал, 2019 г.), arXiv (Сигурдссон, 2020 г.), Zenodo (Research & OpenAIRE, 2013 г.), Международный центр ISSN[1] и Общий указатель Интернет-архива[2]. Кроме того, веб-сканирование используется для добавления недостающих метаданных. OpenAlex, насчитывающий более 240 миллионов работ[3], представляет собой самый обширный набор библиографических метаданных на сегодняшний день. OpenAlex присваивает каждому ресурсу постоянные идентификаторы. Кроме того, авторы устраняются с помощью эвристики, основанной на соавторах, цитатах и других особенностях библиографических ресурсов. Данные распространяются по лицензии CC0, и доступ к ним можно получить через API, веб-интерфейс или загрузив полную копию базы данных OpenAlex.  Проект OpenAIRE стартовал в 2008 году для поддержки принятия мандатов Европейской комиссии по открытому доступу (Manghi et al., 2010), и в настоящее время он является ведущей организацией в рамках программы исследований и инноваций Horizon 2020 по реализации Европейского облака открытой науки (Европейское облако открытой науки). Комиссия Генерального директората по исследованиям и инновациям., 2016). Одним из его основных результатов является график исследований OpenAIRE, который включает метаданные о научных результатах (например, литературе, наборах данных и программном обеспечении), организациях, спонсорах исследований, потоках финансирования, проектах и сообществах, а также информацию о происхождении. Данные собираются из различных источников (Атзори и др., 2017 г.): архивов, например ArXiv (Сигурдссон, 2020 г.), Europe PMC (The Europe PMC Consortium, 2015 г.), Software Heritage (Abramatic et al., 2018 г.) и Zenodo ( Исследования и OpenAIRE, 2013); сервисы-агрегаторы, например DOAJ (Моррисон, 2017 г.) и OpenCitations (Перони и Шоттон, 2020 г.); и другие графики исследований, например Crossref (Hendricks et al., 2020) и DataCite (Brase, 2009). По состоянию на июнь 2023 года этот набор данных OpenAIRE состоял из 232 174 001 исследовательского продукта[4]. Процесс дедупликации, реализованный OpenAIRE, учитывает не только PID, но и другие эвристики, такие как количество авторов и расстояние между названиями Левенштейна. Однако внутренние идентификаторы, которые OpenAIRE связывает с объектами, не являются постоянными и могут меняться при обновлении данных. Доступ к данным OpenAIRE Research Graph можно получить через API и интерфейс Explore. Дампы также доступны по международной лицензии Creative Commons Attribution 4.0.  Semantic Scholar был представлен Институтом искусственного интеллекта Аллена в 2015 году (Fricke, 2018). Это поисковая система, которая использует искусственный интеллект для отбора только статей, наиболее релевантных поиску пользователя, и для упрощения поиска, например, путем создания автоматических сводок. Semantic Scholar получает свой контент посредством веб-индексации и партнерства с научными журналами, индексами и поставщиками контента. Среди них Ассоциация компьютерной лингвистики, издательство Кембриджского университета, IEEE, PubMed, Springer Nature, The MIT Press, Wiley, arXiv, HAL и PubMed. По состоянию на июнь 2023 года он индексирует 212 605 886 научных работ[5]. Авторы устраняются с помощью модели искусственного интеллекта (Subramanian et al., 2021), связанной с идентификатором семантического ученого, и для каждого автора автоматически создается страница, которую реальный человек может использовать. Semantic Scholar предоставляет веб-интерфейс, API, а полный набор данных можно загрузить по лицензии Open Data Commons Attribution License (ODCBy) v1.0.  Wikidata была представлена Wikimedia Deutschland в 2012 году как открытая база знаний для хранения в формате RDF данных из других проектов Wikimedia, таких как Wikipedia, Wikivoyage, Wiktionary и Wikisource (Mora-Cantallops et al., 2019). Благодаря своему успеху в 2014 году Google закрыла Freebase, которая должна была стать «Википедией для структурированных данных», и перенесла ее в Wikidata (Tanon et al., 2016). С 2016 года проект WikiCite внес значительный вклад в развитие Викиданных как библиографической базы данных: к июню 2023 года Викиданные содержали описания 39 864 447 научных статей[6]. Внутренний идентификатор Викиданных, относящийся к любому объекту (включая библиографические ресурсы), связан с многочисленными внешними идентификаторами, например, DOI, PMID, PMCID, arXiv, ORCID, Google Scholar, VIAF, идентификатор спонсора Crossref, ZooBank и Twitter. Данные публикуются по лицензии CC0 в виде дампов RDF в Turtle и NTriples. Пользователи могут просматривать их через SPARQL, веб-интерфейс, а с 2017 года через Scholia — веб-сервис, который выполняет запросы SPARQL в режиме реального времени для создания профилей исследователей, организаций, журналов, издателей, научных работ и тем исследований, а также генерирует ценная инфографика (Nielsen et al., 2017).  В то время как OpenAIRE Research Graph и Wikidata агрегируют множество разнородных источников, Springer Nature SciGraph (Hammond et al., 2017), с другой стороны, агрегирует только данные Springer Nature и ее партнеров. В него входят организации, связанные с публикациями, филиалами, исследовательскими проектами, спонсорами и конференциями, всего более 14 миллионов исследовательских продуктов[7]. В настоящее время не планируется предлагать общедоступную конечную точку SPARQL, но существует возможность исследовать данные через интерфейс браузера, а дамп выпускается ежемесячно в формате JSON-LD по лицензии CC-BY.  BioTea также представляет собой предметно-ориентированный набор данных и представляет собой аннотированное полнотекстовое подмножество открытого доступа PubMed Central (PMC-OA) (Garcia et al., 2018) с использованием технологий RDF. На момент публикации этой статьи в 2018 году набор данных содержал 1,5 миллиона библиографических ресурсов. В отличие от других наборов данных, BioTea описывает метаданные и цитаты, а также семантически определяет аннотированные полные тексты. Анализ распознавания именованных объектов применяется для идентификации выражений и терминологии, относящихся к биомедицинским онтологиям, которые затем записываются в виде аннотаций (например, о биомолекулах, лекарствах и болезнях). Данные BioTea публикуются в виде дампов в форматах RDF/XML и JSON-LD в соответствии с лицензией Creative Commons Attribution Non-Commercial 4.0 International, а конечная точка SPARQL в настоящее время отключена.  Примечательным является подход, принятый Open Research Knowledge Graph (ORKG) (Auer et al., 2020). Метаданные в основном собираются либо доверенными агентами посредством краудсорсинга, либо автоматически из Crossref. Однако основная цель ORKG — не организация метаданных, а предоставление услуг. Основной задачей этих услуг является проведение сравнительного анализа литературы с использованием встраивания слов, чтобы обеспечить анализ сходства и способствовать исследованию и связыванию связанных работ. Для проведения такого сложного анализа метаданных Crossref недостаточно; поэтому для каждого ресурса необходимо вручную указать структурированные аннотации по теме, результату, методу, образовательному контексту и оценщику. Набор данных содержит (по состоянию на июнь 2023 г.) 25 680 статей[8], 5153 набора данных, 1364 программного обеспечения и 71 обзор. Учитывая важность человеческого вклада в создание набора данных ORKG, платформа отслеживает изменения и происхождение, хотя и не в формате RDF. Данные можно просматривать через веб-интерфейс, SPARQL и API, а также загружать по лицензии CC BY-SA.  ScholarlyData собирает информацию только о конференциях и семинарах по теме семантической сети (Nuzzolese et al., 2016). Данные моделируются в соответствии с онтологией конференции, которая описывает типичные объекты научной конференции, такие как принятые статьи, авторы, их принадлежность и организационный комитет, но не библиографические ссылки. До июня 2023 года в наборе данных хранилась информация о 5678 докладах конференций. Такой набор данных обновляется с помощью программного обеспечения-генератора открытых данных Conference Linked, которое выводит RDF, начиная с файлов CSV (Gentile & Nuzzolese, 2015). Дедупликация агентов основана только на их URI с использованием контролируемого метода классификации (Zhang et al., 2017), а ORCID добавляются на следующем этапе. Эта методология не учитывает существование омонимов. Однако для ScholarlyData это незначительная проблема, поскольку в индексируемых конференциях участвуют всего несколько тысяч человек. ScholarlyData можно просмотреть через конечную точку SPARQL, а дампы доступны в формате RDF/XML по лицензии Creative Commons Attribution 3.0 Unported.  В заключение мы хотели бы отметить, что ни один из этих других наборов данных, упомянутых выше, не предоставляет данные отслеживания изменений и соответствующую информацию о происхождении в RDF.  В таблице 1 суммированы все соображения, высказанные по каждому набору данных.  Этот документ   под лицензией CC 4.0 DEED. доступен на arxiv  [1] https://www.issn.org/  [2] https://archive.org/details/GeneralIndex  [3] https://docs.openalex.org/api-entities/works  [4] https://explore.openaire.eu/search/find/research-outcomes  [5] https://www.semanticscholar.org/  [6] https://scholia.toolforge.org/statistics  [7] https://scigraph.springernature.com/explorer/datasets/data_at_a_glance/  [8] https://orkg.org/papers

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Categorize is the leading authority on the categorization of technologies mentioned in research papers and blog posts.

Categorize's blog

Этот звук создан на языке оригинала истории!

Слишком долго; Читать

Boost your HackerNoon story @ $159.99! 🚀

Мета OpenCitations: Связанные работы

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

Нажмите, чтобы заработать: Telegram может привлечь следующие 10 миллиардов пользователей криптовалюты до Соланы

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Хотите выиграть конкурс HackerNoon? Вот что рекомендуют победители конкурса #crypto-api

Как улучшить ваш рабочий процесс в 10 раз: 17 основных приложений

Нажмите, чтобы заработать: Telegram может привлечь следующие 10 миллиардов пользователей криптовалюты до Соланы

Модель Bitcoin UTXO, обеспечивающая работу уникальной экосистемы

Хотите выиграть конкурс HackerNoon? Вот что рекомендуют победители конкурса #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps