A Multi-Surface Consistency Audit of Software Citation Metadata

في عالم العلوم الحديثة، أصبح البرمجيات ضرورية بقدر المجهر أو التلسكوب. فهي الأداة التي يستخدمها الباحثون لمعالجة الأرقام، ومحاكاة تغير المناخ، ونمذجة سلوك الذرات. ولأن هذه البرمجيات هي نتاج جهد بشري وفكري، فقد اتفق المجتمع العلمي على أنها تستحق أن تُقتبس، تماماً مثل الورقة البحثية. فعندما يستخدم عالم برنامجاً معيناً للوصول إلى اكتشاف ما، يجب عليه منح الفضل للأشخاص الذين كتبوه، وإلى الإصدار الذي استخدمه، وإلى المكان الذي يمكن العثور فيه عليه. ولجعل هذا ممكناً، تم بناء نظام حيث يمكن لمشاريع البرمجيات أن تترك وراءها "بطاقات تعريف" رقمية. هذه البطاقات هي ملفات قابلة للقراءة آلياً تحتوي على عنوان المشروع، وأسماء مؤلفيه، ورقم الإصدار، ومعرف فريد يشير إلى مكان وجود البرنامج عبر الإنترنت. والفكرة هي أنه إذا نظر باحث أو أمين مكتبة أو برنامج حاسوبي إلى أي من هذه البطاقات، فستروي جميعها نفس القصة عن نفس قطعة البرمجيات.

ومع ذلك، طرحت دراسة حديثة سؤالاً بسيطاً ولكنه مثير للقلق: هل تتفق هذه البطاقات التعريفية مع بعضها البعض حقاً؟ قرر الباحثون، بقيادة بنغين شان من جامعة إلينوي، مراجعة الأوصاف الرقمية الذاتية لـ 117 مشروعاً من مشاريع البرمجيات مفتوحة المصدر. وقد فحصوا سبعة أماكن مختلفة قد يصف فيها المشروع نفسه: ملفاً محدداً مخصصاً للاقتباس، وملف بيانات للأرشيف، وسجلاً في سجل عام حيث يتم تحميل البرنامج، والنص الموجود على صفحة الويب الرئيسية للمشروع. لقد تعاملوا مع البرمجيات ككائن واحد، واعتبروا هذه الملفات المتنوعة بمثابة "أسطح" أو أوجه مختلفة لهذا الكائن. وإذا كان النظام يعمل بشكل مثالي، فيجب أن يقول كل سطح الشيء نفسه. أما إذا اختلفوا، فإن ذلك يخلق ارتباكاً حول من قام بالعمل، وما هو الإصدار المستخدم، وأين يمكن العثود إلى الكود. ووجدت الدراسة أن النظام بعيد كل البعد عن المثالية؛ بل في الواقع، كانت غالبية المشاريع التي تم فحصها تروي قصصاً مختلفة لأجزاء مختلفة من الإنترنت.

بنى الباحثون عملية دقيقة للتحقق من هذه المشاريع. فقد جمعوا مجموعة من 1اً 117 أداة برمجية، بما في ذلك أدوات الحوسبة عالية الأداء المستخدمة في الحوسبة الفائقة والحوسبة الكمومية، بالإضافة إلى مجموعة أصغر من الأدوات التي قُبلت في مجلات مجتمعية. ولكل مشروع، قاموا بتحميل لقطات من الأسطح السبعة المختلفة في يوم واحد. ثم استخدموا برنامجاً حاسوبياً لتوحيد المعلومات (normalization)، وترجمة تنسيقات الملفات المختلفة إلى قائمة مشتركة من ست حقائق رئيسية: العنوان، المؤلف، الإصدار، السنة، الترخيص، والمعرف الفريد. وقارنوا بين كل زوج من الأسطح الموجودة لكل مشروع لمعرفة ما إذا كانت الحقائق متطابقة. ولض- لضمان دقة طريقتهم، تحققوا يدوياً من عينة كبيرة من أحكام الحاسوب، مؤكدين أن أداة البحث كانت صحيحة بنسبة تقارب 99 في المئة.

وكشفت النتائج عن نقص كبير في الاتساق. فمن بين 117 مشروعاً، كان هناك 62 مشروعاً فقط تمتلك سطحين على الأقل يمكن مقارنتهما. ومن بين هذه المشاريع الـ 62، احتوت 52 منها، أي حوالي 84 في المئة، على صراع واحد كبير على الأقل بين أسطحها. وهذا يعني أنه بالنسبة لمعظم هذه المشاريع، سيحصل الشخص الذي يقرأ ملف الاقتباس على معلومات مختلفة عما سيحصل عليه الشخص الذي يقرأ سجل الأرشيف أو صفحة التحميل. وكانت الخلافات أكثر شيوعاً في قوائم المؤلفين والعناوين. وبينما كانت السنة والترخيص متسقين في الغالب، فإن التفاصيل الجوهرية التي تحدد العمل غالباً لم تكن متطابقة. ووجدت الدراسة أن المشكلة لم تقتصر على نوع واحد من البرمجيات؛ فقد ظهرت في مشاريع الحوسبة عالية الأداء، وفي الأدوات التي تمت مراجعتها من قبل مجلة المصادر المفتوحة (Journal of Open Source Software)، وفي الحزم المقبولة من قبل مجتمع pyOpenSci.

كان أحد أكثر الأسباب شيوعاً لهذه الصراعات هو الخلط المحدد بين البرمجيات والورقة البحثية التي تصفها. ففي كثير من الحالات، كانت الملفات المخصدة لوصف البرمجيات تصف في الواقع الورقة الأكاديمية المتعلقة بالبرمجيات. على سبيل المثال، قد يسرد ملف ما عنوان عرض تقديمي في مؤتمر أو مؤلف مقال في مجلة، بينما يسرد ملف آخر اسم الكود نفسه. وقد حدث هذا في نصف حالات الصراع التي تم التحقق منها. وأشار البلفاحثون إلى أن هذا ليس بالضرورة خطأ في كيفية كتابة الملفات، بل هو انعكاس لارتباك أعمق حول ماهية "الكائن القابل للاقتباس" فعلياً. هل هو الكود، أم هو الورقة البحثية حول الكود؟ فعندما تحاول الملفات الإشارة إلى الورقة، فإنها غالباً ما تتوقف عن الإشارة إلى البرمجيات، مما يؤدي إلى تباعد البيانات الوصفية (metadata).

وجاء مصدر آخر للخلاف من السجلات العامة حيث يتم تحميل البرمجيات، مثل PyPI للغة بايثون أو npm للغة جافا سكريبت. هذه السجلات غالباً ما تستخدم أسماء تقنية قصيرة للحزم، مثل "mpi4py"، بينما تستخدم ملفات البرمجيات نفسها عنواناً وصفياً مثل "MPI for Python". وعندما يحاول الحاسوب مطابقة هذين السطحين، فإنه يرى عدم تطابق في العنوان. ووجدت الدراسة أن جزءاً كبيراً من الخلافات في العنوان والمؤلف كان مدفوعاً بسجلات هذه السجلات. علاوة على على ذلك، وجد الباحثون أن المعلومات الأكثر حداثة كانت غالباً مفقودة من الأماكن التي تبحث فيها الأدوات الآلية. فالملفات التي تقرأها أدوات التعبئة والتغليف، مثل سجلات التوزيع، كانت الأقل احتمالاً لاحتواء معرفات دائمة مثل معرفات ORCID للمؤلفين، وهي معرفات حاسمة لتتبع من قام بالعمل.

كما نظرت الدراسة في ميزة محددة تسمى "الاقتباس المفضل"، والتي تسم تسمح لمشروع برمجيات بإخبار المستخدمين باقتباس كائن مختلف، عادة ما يكون ورقة بحثية، بدلاً من البرمجيات نفسها. ووجد الباحثون أنه في 28 من أصل 32 مشروعاً استخدمت هذه الميزة، أدت اتباع التعليمات إلى الوصول إلى سجل يتعارض مع البيانات الوصفية الخاصة بالبرمجيات نفسها. وهذا يعني أنه حتى عندما يحاول المشروع توجيه المستخدمين إلى اقتباس محدد، فإن التوجيه غالباً ما يشير إلى سجل يتعارض مع المعلومات الأخرى التي نشرها المشروع عن نفسه. وهذا يخلق وضعاً قد ينتهي به الأمر بالمستخدم الذي يتبع القواعد إلى اقتباس ورقة لا تتطابق مع إصدار البرمجيات الذي استخدمه بالفعل.

وخلص الباحثون إلى أن البنية التحتية الحالية للاقتباس البرمجي غير مكتملة. فبينما توجد الأدوات لإعلان البيانات الوصفية وهي مستخدمة على نطاق واسع، لا يوجد نظام قائم للتحقق مما إذا كانت الإعلانات المختلفة تتفق مع بعضها البعض. وقد أظهرت الدراسة أن معظم المشاريع التي يمكن فحصها، تختلف البرمجيات فيها مع نفسها في معلومة واحدة على الأقل بالغة الأهمية. وهذا التجزؤ يعني أن الفضل غالباً ما يكون مشتتاً، وأن مصدر البرمجيات غير واضح، وأن الأنظمة الآلية لا يمكنها تتبع استخدام البرمجيات البحثية بشكل موثوق. وقد أطلق الباحثون بياناتهم، وكود البرمجة الخاص بهم، وقائمة مشاريعهم لكي يتمكن الآخرون من تكرار عملية التدقيق، أو التحقق مما إذا كانت الأمور قد تحسنت بمرور الوقت، أو استخدام البيانات لبناء أدوات يمكنها إصلاح هذه التناقضات تلقائياً. إن هذا العمل يسلط الضوء على أنه قبل أن نتمكن من الثقة الكاملة في نظام الائتمان الرقمي للبرمجيات، يجب أولاً أن نضمن أن البرمجيات تروي قصة واحدة متسقة عبر جميع الأماكن التي تتحدث فيها.