[論文レビュー] Text data mining and data quality management for research information systems in the context of open data and open science

Otmane Azeroual, Gunter Saake+2 more|arXiv (Cornell University)|Dec 11, 2018

Semantic Web and Ontologies被引用数 11

ひとこと要約

本論文は、オープンサイエンスおよびオープンデータ環境における研究情報システム（RIS）の向上を目的として、テキストデータマイニングとデータ品質管理を統合するフレームワークを提案する。自然言語処理（NLP）技術を用いて非構造化テキストからエンティティやキーワードを抽出し、意味的技術を用いて多様なデータソースを統一化することで、メタデータ品質の向上、より良いデータ統合、科学機関および図書館における検索・発見の効率化を実現する。

ABSTRACT

In the implementation and use of research information systems (RIS) in scientific institutions, text data mining and semantic technologies are a key technology for the meaningful use of large amounts of data. It is not the collection of data that is difficult, but the further processing and integration of the data in RIS. Data is usually not uniformly formatted and structured, such as texts and tables that cannot be linked. These include various source systems with their different data formats such as project and publication databases, CERIF and RCD data model, etc. Internal and external data sources continue to develop. On the one hand, they must be constantly synchronized and the results of the data links checked. On the other hand, the texts must be processed in natural language and certain information extracted. Using text data mining, the quality of the metadata is analyzed and this identifies the entities and general keywords. So that the user is supported in the search for interesting research information. The information age makes it easier to store huge amounts of data and increase the number of documents on the internet, in institutions' intranets, in newswires and blogs is overwhelming. Search engines should help to specifically open up these sources of information and make them usable for administrative and research purposes. Against this backdrop, the aim of this paper is to provide an overview of text data mining techniques and the management of successful data quality for RIS in the context of open data and open science in scientific institutions and libraries, as well as to provide ideas for their application. In particular, solutions for the RIS will be presented.

研究の動機と目的

• 複数の機関システムにまたがる異種的で非構造的かつ形式が不備な研究データの統合という課題に対処すること。
• テキストデータマイニングを用いて非構造化テキストから意味のあるエンティティやキーワードを抽出することで、研究情報システム（RIS）におけるデータ品質を向上させること。
• オープンサイエンスおよびオープンデータイニシャチブを支援するため、多様なデータソース間で研究出力の相互運用性と検索可能性を向上させること。
• プロジェクトデータベースや出版データベースを含む、内部および外部のデータソースの同期と検証の実用的解決策を提供すること。
• 自然言語テキストから抽出した意味的意味を持つ情報でメタデータを拡張することで、ユーザーの検索能力を向上させること。

提案手法

• 研究文書の非構造化テキストからエンティティ（例：研究者、機関、プロジェクト）およびキーワードを抽出するために自然言語処理（NLP）技術を適用する。
• CERIF、RCD、および機関データベースなどの異種データソースからのデータを、共通のデータモデルにマッピングおよび統合するために意味的技術を用いる。
• 抽出されたメタデータに対してデータ品質チェックを実施し、システム間での一貫性、完全性、正確性を保証する。
• テキストマイニングパイプラインをRISに統合し、新規の出版物やプロジェクトレポートから継続的にメタデータを処理および拡張する。
• 標準化されたデータモデルおよびオントロジーを活用して、機関情報システム間での相互運用性を高め、データの重複を低減する。
• 内部および外部のデータソース間の同期メカニズムを確立し、最新かつ一貫性のあるメタデータ記録を維持する。

実験結果

リサーチクエスチョン

• RQ1 研究出版物およびプロジェクトレポートに含まれる非構造化テキストを、高品質で実行可能なメタデータを抽出するために効果的に処理する方法は何か？
• RQ2 異種のデータソースを単一の研究情報システムに統合する際、データ品質と一貫性を保証するための技術は何か？
• RQ3 テキストデータマイニングは、オープンサイエンスおよびオープンデータ環境における研究出力の発見およびリンクの支援にどのように寄与できるか？
• RQ4 意味的技術は、CERIFやRCDなどの異なるRISデータモデルからのデータ統合において、果たす役割は何か？
• RQ5 動的な研究情報システムにおいて、内部および外部のデータソースの継続的同期と検証をどのように達成できるか？

主な発見

• テキストマイニングは、非構造化テキストからエンティティやキーワードを抽出することで、メタデータ品質を著しく向上させ、インデックス化および検索能力の向上を可能にする。
• 意味的技術を用いることで、プロジェクトデータベースや出版データベースを含む多様なデータソースからのデータ統合が、共通のデータモデルに基づいて効果的に実現できる。
• 提案されたフレームワークは、内部および外部のデータソースの同期を支援し、データの不整合性および重複を低減する。
• NLP技術の活用により、自然言語テキストから抽出した意味的意味を持つコンテンツでメタデータを拡張することで、研究情報の検索可能性が向上する。
• 本アプローチは、特にオープンサイエンスを支援することを目的とした科学機関および図書館における実際のRIS導入事例において、実用的応用性を示している。
• データ品質管理とテキストマイニングを統合することで、より信頼性が高く再利用可能な研究情報システムが実現される。