MajinBook: An open catalogue of digitally mediated world literature
تقدم هذه الورقة "ماجين بوك" (MajinBook)، وهو فهرس مفتوح يربط البيانات الوصفية من المكتبات الظلية ببيانات "غود ريدز" (Goodreads) لإنشاء متن لغوي عالي الدقة وقابل للقراءة آلياً يضم أكثر من 539,000 كتاب باللغة الإنجليزية تم تداولها رقمياً، مع معالجة التحيزات التقليدية للمتون ومناقشة مشروعية المشروع القانونية للبحث بموجب الأطر التنظيمية في الاتحاد الأوروبي والولايات المتحدة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إليك شرح لورقة بحث MajinBook، مترجم إلى لغة يومية بسيطة باستخدام التشبيهات لجعل المفاهات واضحة.
الصورة الكبيرة: بناء خريطة أفضل للمكتبة
تخيل أنك تريد دراسة كيفية قراءة الناس وما هي القصص التي تهم العالم. للقيام بذلك، أنت بحاجة إلى خريطة ضخمة للكتب.
لفترة طويلة، استخدم الباحثون HathiTrust، وهو يشبه مكتبة رسمية عملاقة بنيت من قبل الجامعات. تحتوي على ملايين الكتب، ولكن بها مشكلتان كبيرتان:
- إنها مغلقة: العديد من الكتب تخضع لحقوق الطبع والنشر، لذا لا يمكنك قراءة النص الكامل؛ يمكنك فقط النظر إليها من خلال نافذة آمنة ومقيدة.
- إنها فوضوية: الكثير من الكتب تم مسحها ضوئياً من ورق مادي فقط. غالباً ما يخطئ الكمبيوتر في قراءة الحروف (مثل الخلط بين حرف 'o' والرقم '0')، مما يجعل النص صعب الاستخدام للتحليل الحاسوبي المتقدم.
أراد مؤلفو هذه الورقة البحثية خريطة أفضل. لقد توجهوا إلى "المكتبات الظلية" (Shadow Libraries) (مثل Library Genesis و Z-Library). فكر في هذه المكتبات كأنها أسواق رقمية تحت الأرض، ضخمة ومجانية، حيث يتم مشاركة ملايين الكتب. إنها تحتوي على كتب أكثر بكثير من المكتبة الرسمية، لكنها فوضوية. "الأرفف" غير منظمة، والملصقات غالة ما تكون خاطئة أو مفقودة، ومن الصعب معرفة أي كتاب هو أي كتاب.
MajinBook هو المشروع الذي قام بتنظيف هذه الفوضى. لقد أنشأ فهرساً منظماً وعالي الجودة لأكثر من 539,000 كتاب باللغة الإنجليزية (بالإضافة إلى ملايين الكتب الأخرى بالفرنسية والألمانية والإسبانية) عن طريق ربط ملفات "المكتبات الظلية" الفوضوية بالبيانات المنظمة من Goodreads (الشبكة الاجتماعية لمحبي الكتب).
المكونات: كيف بنوا ذلك؟
1. قاعدة "الرقمي فقط" (الغربال)
تحتوي المكتبات الظلية على كتب بتنسيقات عديدة. بعضها عبارة عن PDF (مسوحات ضوئية رقمية لصفحات ورقية)، وبعضها EPUB (ملفات رقمية أصلية، مثل صفحة ويب نظيفة).
قرر المؤلفون التخلص من جميع ملفات الـ PDF.
- التشبيه: تخيل أنك تحاول دراسة طعم حساء. ملفات الـ PDF تشبه التقاط صورة للحساء ثم محاولة تذوق الصورة. إنها ضبابية وغير متسقة. أما ملفات الـ EPUB فهي مثل الحساء الحقيقي في وعاء؛ يمكنك تذوق كل مكون بوضوح.
- النتيجة: من خلال الاحتفاظ فقط بالملفات الرقمية "النظيفة" (EPUB)، فقدوا بعض الكتب القديمة جداً (لأنها لم تُرقمن بعد)، لكنهم اكتسبوا مجموعة بيانات أنظف بكثير، وأسهل في القراءة بواسطة الكمبيوتر، ومتنوعة بشكل مفاجئ في اللغات.
2. مشكلة "العمل مقابل الطبعة"
في عالم الكتب، هناك فرق بين العمل (القصة نفسها، مثل الأوديسة) وبين الطبعة (نسخة محددة، مثل ترجمة عام 1990 أو الكتاب الصوتي لعام 2020).
- المشكلة: قد تحتوي المكتبات الظلية على 50 ملفاً مختلفاً لـ الأوديسة. إذا حسبتهم جميعاً كـ 50 كتاباً مختلفاً، فستكون بياناتك منحازة.
- الحل: استخدم المؤلفون Goodreads كـ "هيكل عظمي" أو "نظام أرشفة". Goodreads يعرف بالفعل أن جميع النسخ الخمسين تنتمي إلى نفس "العمل". لقد استخدموا هذه المعرفة لتجميع ملفات المكتبات الظلية الفوضوية معاً، وربطها بالقصة الصحيحة وتاريخ نشرها الأصلي.
3. لعبة المطابقة (البحث عن الإبرة في كومة القش)
كيف تربط ملفاً فوضوياً من مكتبة ظلية بالمدخل الصحيح في Goodreads؟
- الاستراتيجية: لم يحاولوا مطابقة غلاف الكتاب أو عدد الصفحات بدقة (لأنها تتغير غالباً). بدلاً من ذلك، بحثوا عن المعرفات (مثل أرقام ISBN) والعناوين.
- المنطق الضبابي (Fuzzy Logic): أحياناً يكون العنوان مكتوباً بشكل خاطئ قليلاً في المكتبة الظلية (مثلاً: "Harry Pottter"). استخدم المؤلفون حيلة حاسوبية تسمى "المطابقة الضبابية" لإدراك أن: "مهلاً، هذا بالتأكيد هو Harry Potter".
- فحص السلامة: اختبروا هذه الطريقة من خلال جعل بشر يراجعون 200 مطابقة عشوائية. وجدوا أنه إذا أعطى الكمبيوتر "درجة ثقة" قدرها 80 أو أكثر، فكانت النتيجة صحيحة دائماً تقريباً. وضعوا قاعدتهم النهائية عند حد الـ 80 نقطة لضمان دقة فهرسهم العالية.
النتائج: ماذا وجدوا؟
- مجموعة ضخمة ونظيفة: أنشأوا قائمة تضم 539,000 كتاب باللغة الإنجليزية جاهزة للتحليل بواسطة الكمبيوتر.
- انحياز زمني (لكنه مفيد): لأنهم احتفظوا فقط بالملفات "الرقمية الأصلية"، فإن مجموعتهم تحتوي على كتب أقل من القرن التاسع عشر وكتب أكثر من القرن الحادي والعشرين.
- وجهة نظر الورقة: يعترف المؤلفون أن هذا ليس تاريخاً كاملاً لكل الأدب. بدلاً من ذلك، هو تاريخ مثالي لـ الثقافة الرقمية في القرن الحادي والعشرين. إنه يوضح لنا ما هي الكتب الرائجة الآن في العصر الرقمي.
- لغات أكثر: من المثير للدهشة أنه من خلال تصفية الملفات الرقمية، حصلوا بالفعل على مزيج أكثر تنوعاً من اللغات. كانت مجموعة الـ "PDF" معظمها بالإنجليزية، لكن مجموعة الـ "EPUB" تضمنت كمية جيدة من الفرنسية والألمانية والإسبانية وغيرها.
التفاصيل القانونية الدقيقة
تتناول الورقة سؤالاً شائكاً: هل استخدام هذه المكتبات الظلية للبحث أمر قانوني؟
- الحجة: يجادل المؤلفون بأنهم لا يبيعون الكتب ولا يوزعون القصص. هم ينشرون فقط قائمة من الحقائق (العناوين، المؤلفين، التواريخ).
- التشبيه: الأمر يشبه قيام أمين مكتبة بعمل "فهرس بطاقات". الفهرس لا يحتوي على القصة؛ هو فقط يخبرك أين توجد القصة ومن كتبها. يزعم المؤلفون أن إنشاء هذا "الفهرس" لأغراض البحث يندرج تحت الاستثناءات القانونية لـ "تنقيب النصوص والبيانات" (Text and Data Mining) في كل من الولايات المتحدة والاتحاد الأوروبي.
الملخص
MajinBook هو أداة تأخذ عالم "المكتبات الظلية" الفوضوي والضخم، وتنظمه باستخدام الحكمة الاجتماعية لـ Goodreads. والنتيجة هي قائمة كتب فائقة النقاء وصديقة للكمبيوتر تساعد الباحثين على دراسة الثقافة، والأدب، وعادات القراءة في العصر الرقمي، مع التنقل بذكاء في المشهد القانوني المعقد لحقوق الطبع والنشر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.