[论文解读] Pantheon: A Dataset for the Study of Global Cultural Production.

Amy Yu, Shahar Ronen+3 more|arXiv (Cornell University)|Feb 25, 2015

Wikis in Education and Collaboration被引用 4

一句话总结

Pantheon 1.0 是一个手动整理的多语言数据集，包含来自多语言维基百科人物传记的 11,341 位全球具有影响力的人物，数据集还整合了人口统计信息、文化领域分类以及名人度量指标，包括历史流行度指数（HPI）和多语言可见性。该研究验证了 HPI 和维基百科语言数量作为成就的强代理指标，其在网球、游泳、赛车和国际象棋等领域的外部衡量指标中，决定系数 R² ≥ 50%。

ABSTRACT

We present the Pantheon 1.0 dataset: a manually curated dataset of individuals that have transcended linguistic, temporal, and geographic boundaries. The Pantheon 1.0 dataset includes the 11,341 biographies present in more than 25 languages in Wikipedia and is enriched with: (i) manually curated demographic information (place of birth, date of birth, and gender), (ii) a cultural domain classification categorizing each biography at three levels of aggregation (i.e. Arts/Fine Arts/Painting), and (iii) measures of global visibility (fame) including the number of languages in which a biography is present in Wikipedia, the monthly page-views received by a biography (2008-2013), and a global visibility metric we name the Historical Popularity Index (HPI). We validate our measures of global visibility (HPI and Wikipedia language editions) using external measures of accomplishment in several cultural domains: Tennis, Swimming, Car Racing, and Chess. In all of these cases we find that measures of accomplishments and fame (HPI) correlate with an $R^2 \geq 50%$, suggesting that measures of global fame are appropriate proxies for measures of accomplishment.

研究动机与目标

• 创建一个标准化的、具有全球代表性的个人数据集，涵盖在不同语言和时间跨度中获得跨文化认可的个体。
• 开发并验证反映实际文化影响与可见性的全球名人度量的定量指标。
• 评估数字名人度量（如多语言维基百科存在度、页面浏览量）是否与不同文化领域中的现实成就存在强相关性。
• 为研究全球文化生产与可见性的动态提供基准数据集。
• 通过统一、经人工验证的数据集，实现对不同领域中名人度与成就的跨领域比较。

提出的方法

• 通过识别存在于 25 种以上维基百科语言版本中的传记，构建数据集，以确保其全球覆盖范围和文化超越性。
• 采用人工整理方式收集每位个体的人口统计信息：出生地、出生日期和性别。
• 将每位传记分类至三级文化领域层级结构（例如：艺术 → 美术 → 绘画），以支持对文化生产的精细化分析。
• 通过以下方式衡量全球可见性：(1) 包含该传记的维基百科语言版本数量，(2) 2008 至 2013 年的月度页面浏览量，以及 (3) 新提出的“历史流行度指数”（HPI）。
• HPI 作为综合指标，整合多语言存在度与页面浏览趋势，用于量化历史名人度。
• 通过网球、游泳、赛车和国际象棋等领域的特定成就数据，对 HPI 和维基百科语言数量进行外部验证。

实验结果

研究问题

• RQ1 维基百科语言版本数量与 HPI 在多大程度上可作为全球文化名人度的可靠代理指标？
• RQ2 数字名人度量在不同文化领域中与客观成就衡量指标的相关性如何？
• RQ3 HPI 是否能有效捕捉跨多样化文化领域的长期历史可见性？
• RQ4 人口统计因素（如性别、出生地）与全球文化可见性之间存在何种关系？
• RQ5 艺术、体育和科学等文化领域中的可见性模式有何差异？

主要发现

• 历史流行度指数（HPI）与维基百科语言版本数量在所有测试领域中均与外部成就衡量指标表现出强相关性，决定系数 R² ≥ 50%。
• 在网球、游泳、赛车和国际象棋领域，HPI 与多语言维基百科存在度是实际成就的重要预测指标。
• 该数据集包含来自 25 种以上维基百科语言版本的 11,341 个传记，确保了广泛的语言与地理覆盖。
• 人工整理的人口统计与文化领域数据确保了跨文化分析的高可靠性与一致性。
• HPI 有效捕捉了长期名人度趋势，整合了传播范围（语言版本数量）与参与度（页面浏览量）。
• 本研究证实，数字可见性度量可作为大规模、跨文化研究中文化影响的有效代理指标。