[論文レビュー] Making Metadata Fit for Next Generation Language Technology Platforms: The Metadata Schema of the European Language Grid

Penny Labropoulou, Katerina Gkirtzou+13 more|arXiv (Cornell University)|Mar 30, 2020

Semantic Web and Ontologies参考文献 12被引用数 10

ひとこと要約

本論文では、ヨーロッパ言語グリッド（ELG）プラットフォーム内における言語リソースおよび技術（LRT）の記述を標準化するための包括的なメタデータスキーマ、ELG-SHAREを提示する。既存の語彙とFAIR原則に整合させることで、多言語NLPツール、データ、サービスの効率的で再利用可能な発見と共有が可能となり、研究および商業的応用を支援するスケーラブルかつ相互運用性のあるフレームワークを提供する。

ABSTRACT

The current scientific and technological landscape is characterised by the increasing availability of data resources and processing tools and services. In this setting, metadata have emerged as a key factor facilitating management, sharing and usage of such digital assets. In this paper we present ELG-SHARE, a rich metadata schema catering for the description of Language Resources and Technologies (processing and generation services and tools, models, corpora, term lists, etc.), as well as related entities (e.g., organizations, projects, supporting documents, etc.). The schema powers the European Language Grid platform that aims to be the primary hub and marketplace for industry-relevant Language Technology in Europe. ELG-SHARE has been based on various metadata schemas, vocabularies, and ontologies, as well as related recommendations and guidelines.

研究の動機と目的

• ヨーロッパの言語技術（LT）エコシステムにおける断片化を是正するため、多様なLRTを対象とする統一されたメタデータスキーマを構築すること。
• 産業および研究関連のLTサービスとデータの中央ハブとしてのヨーロッパ言語グリッド（ELG）プラットフォームを支援すること。
• 既存の基準およびDMPガイドラインに準拠することで、LRTメタデータにFAIR（検索可能、アクセス可能、相互運用可能、再利用可能）原則を統合すること。
• 研究データおよび検証に使用されたツールのメタデータを記録することで、科学的発見の再現性を確保すること。
• 標準化された機械可読メタデータを通じて、EUのデジタル単一市場における多言語的・文化的なコミュニケーションを促進すること。

提案手法

• ELG-SHAREスキーマは、META-SHARE、ELRA、ELRC-SHAREなどの既存のメタデータ基準、語彙、オントロジーを統合することで開発された。
• このスキーマは、サービス、ツール、コーパス、モデル、語彙、および組織やプロジェクトなどの関連エンティティを含む、LRTの包括的な記述を可能にする。
• バージョン管理付きのリリースとCC-BY-4.0ライセンスでの公開を前提に、XMLスキーマ定義（XSD）で実装されている。
• データ管理計画（DMP）テンプレートとリンクさせることで、データ取得、保存、共有を含むライフサイクル準拠を確保している。
• 既存リポジトリ（例：ELRA、LINDAT-CLARIAH）からメタデータレコードを収集し、商業的および非商業的サービスについて手動でのキュレーションが行われた。
• プラットフォームは、メタデータキュレーション、自動的拡張、継続的なスキーマ保守および進化のためのメタデータエディタをサポートしている。

実験結果

リサーチクエスチョン

• RQ1 複数のヨーロッパ言語にまたがる多様な言語リソースおよび技術を支援する統一されたメタデータスキーマをどのように設計できるか？
• RQ2 言語技術メタデータにFAIR原則を統合するために必要な技術的および組織的メカニズムは何か？
• RQ3 メタデータスキーマは、研究用および商業的に利用可能な両方の言語ツールの発見と再利用をどのように促進できるか？
• RQ4 標準化されたデータ管理計画（DMP）は、LRTの長期的持続可能性と再現性を確保するために果たす役割は何か？
• RQ5 クラウドベースのプラットフォームにおいて、商業サービスの課金およびアクセス制御をサポートするために、メタデータスキーマをどのように拡張できるか？

主な発見

• ELG-SHAREスキーマ v1.1 はリリースされ、GitLab経由でCC-BY-4.0ライセンスで公開されており、LRTの機械可読で相互運用可能なメタデータをサポートしている。
• ELRA、ELRC-SHARE、META-SHAREなどの既存リポジトリから、オープンライセンスを備えた300以上のデータリソースが収集され、ELGカタログに変換された。
• 約170の機能的言語技術サービスが手動で記述され、ELGプラットフォームに統合され、クラウドベースでのアクセスと実行が可能になった。
• このスキーマにより、研究データおよびツールのカタログへの組み込みが可能となり、詳細なメタデータ記録を通じて科学的発見の再現性が支援された。
• DMPテンプレートとメタデータスキーマの統合により、H2020要件への準拠が保証され、データ取得から共有までをカバーするデータライフサイクル管理が可能になった。
• プラットフォームは反復的改善を目的として設計されており、継続的な開発が進んでおり、メタデータ拡張、キュレーションツール、商業サービス用の課金モジュールの仕様策定などの機能が開発中である。