CitationGuard: A Multi-Evidence Framework for Bibliographic Metadata Integrity Assessment in Digital Libraries

في الأرشيفات الشاسعة والهادئة للمكتبة الرقمية، يعتمد كل كتاب ومقال وورقة بحثية على مجموعة من الوسوم الرقمية ليتم العثور عليها. هذه الوسوم، المعروفة باسم البيانات الوصفية الببليوغرافية، هي الإحداثيات الأساسية التي تخبر الحاسوب أين يقع العمل في عالم المعرفة. وهي تشمل اسم المؤلف، والعنوان، والمجلة التي ظهر فيها، وسنة النشر، وأرقام الصفحات. وبدون أن تكون هذه التفاصيل دقيقة وكاملة، يبدأ نظام الاكتشاف الأكاديمي بأكمله في التداعي. فإذا كان الوسم مفقوداً أو خاطئاً، فقد لا يجد الباحث دراسة حاسمة أبداً، أو والأسوأ من ذلك، قد يربط الحاسوب ورقة حقيقية بأخرى مزيفة. إن الأمر ليس مجرد مسألة راحة؛ بل هو مسألة ثقة. فعندما تكون البيانات التي ترتكز عليها العلوم معيبة، يمكن أن تُشوه الاستنتاجات المستخلصة منها، وتصبح نزاهة السجل الأكاديمي بأكمله في خطر.

لسنوات، حاول الخبراء بناء أنظمة يمكنها رصد هذه الأخطاء تلقائياً. تبحث بعض الأساليب في كيفية استشهاد الأوراق ببعضها البعض، حيث تعامل شبكة المراجع كخريطة للعثين عن الروابط الغريبة. بينما يركز البعض الآخر على النص نفسه ليرى ما إذا كان الاستشهاد منطقياً. ومع ذلك، غالباً ما تغفل هذه النهج طبقة حاسمة من المشكلة: وهي البيانات الوصفية نفسها. فقد يبدو الاستشهاد طبيعياً تماماً في النص، ولكن السجل الرقمي الذي يحمل تفاصيله قد يكون مليئاً بالتناقضات، أو الحقول المفقودة، أو حتى علامات التلاعب. لقد كان التحدي يتمثل في إنشاء أداة يمكنها النظر في سجل واحد، والتحقق من منطقه الداخلي، وتنبيه المراجع البشري دون الحاجة إلى قائمة مسبقة من الأخطاء المعروفة للتعلم منها.

ولمعالجة ذلك، طور الباحثون إطار عمل جديداً يسمى "CitationGuard". فكر فيه كمفتش مراقبة جودة للأرفف الرقمية في المكتبة. فبدلاً من انتظار إنسان ليقرأ كل مدخل، يقوم هذا النظام بمسح الوسوم الرقمية للسجلات الأكاديمية للعثور على تلك التي تبدو مشبوهة. هو لا يفترض أن كل سجل إما جيد تماماً أو سيء تماماً، بل يتعامل مع البيانات كمجموعة من الأدلة. ينظر النظام إلى ثمانية معلومات محددة لكل سجل: المؤلف، والعنوان، واسم النشر، والمجلد، ورقم العدد، ونطاق الصفحات، والسنة، والناشر. ثم يطرح سلسلة من الأسئلة البسيطة حول هذه التفاصيل: هل اسم المؤلف مفقود؟ هل العنوان قصير بشكل غير عادي أو مليء برموز غريبة؟ هل أرقام الصفحات منطقية، أم أن صفحة النهاية تسبق صفحة البداية؟ هل سنة النشر في المستقبل؟

اختبر الباحثون هذا النظام على مجموعة واقعية مكونة من 121 سجلاً ببليوغرافياً. لم يكن لديهم قائمة بـ "المذنبين" أو "الأبرياء" للمقارنة بها؛ بدلاً من ذلك، تركوا النظام يحلل الأنماط داخل البيانات نفسها. قام إطار العمل أولاً ببناء ملف تعريف مفصل لكل سجل، محولاً النصوص والأرقام الخام إلى مجموعة من 29 مؤشراً مختلفاً. وقاست هذه المؤشرات كل شيء، بدءاً من مقدار المعلومات المفقودة وصولاً إلى عدد مرات ظهور ناشر معين في القائمة. ثم استخدم النظام طريقتين حاسوبيتين للبحث عن القيم المتطرفة. إحدى الطريقتين، والمعروفة باسم "غابة العزل" (isolation forest)، تعمل من خلال محاولة فصل كل سجل عن الآخرين؛ فإذا كان من السهل عزل سجل ما لأن مزيج سماته غير عادي للغاية، فإنه يتم تمييزه. ووفرت طريقة ثانية، وهي "آلة ناقلات الدعم" (support vector machine)، فحصاً ثانوياً لتأكيد هذه النتائج.

أظهرت النتائج أن النظام يمكنه تصنيف السجلات بفعالية إلى ثلاثة مستويات من القلق. فقد تم تصنيف غالبية السجلات، أي 80 من أصل 121، على أنها منخفضة المخاطر؛ وكانت هذه المدخلات التي تبدو متسقة وكاملة، دون أي علامات تحذير واضحة. ووقع 32 سجلاً آخر في فئة المخاطر المتوسطة؛ كانت هذه المدخلات تحتوي على بعض المشكلات الطفيفة، مثل رقم مجلد مفقود أو عنوان غير عادي قليلاً، لكنها لم تكن بالضرورة خاطئة، بل كانت تتطلب فقط نظرة فاحصة. أما المجموعة الأخيرة فقد تألفت من تسعة سجلات، أي حوالي 7.4 بالمائة من الإجمالي، والتي تم تمييزها كعالية المخاطر. أظهرت هذه السجلات مزيجاً قوياً من المشكلات، مثل سنوات النشر المفقودة، أو المدخلات المكررة، أو التناقضات بين الناشر واسم المجلة.

إن أهم نتيجة للدراسة ليست أن النظام وجد احتيالاً، بل أنه نجح في تحديد السجلات التي تستحق الاهتمام الأكبر. وقد أكد الباحثون بعناية أن الحصول على درجة عالية لا يثبت أن السجل مزيف أو أن شخصاً ما كذب عمداً، بل يعني ببساطة أن السجل يحتوي على قدر كافٍ من التناقضات التي تستوجب مراجعة خبير بشري للمصدر الأصلي. وفي عالم تحتوي فيه المكتبات الرقمية على ملايين المدخلات، من المستحيل على البشر فحص كل واحد منها. يوفر "CitationGuard" طريقة لتحديد أولويات هذا العمل، وتوجيه الجهد البشري نحو الجزء الصغير من السجلات التي يُحتمل أن تكون إشكالية.

كما سلطت الدراسة الضوء على حدود نهجها الحالي. فالنظام يعتمد كلياً على البيانات الوصفية المقدمة في السجل الرقمي؛ فهو لا يخرج إلى الإنترنت للتحقق مما إذا كانت المجلة موجودة بالفعل أو ما إذا كان مقال معين قد نُشر يوماً ما. ولا يمكنه قراءة النص الكامل للورقة ليرى ما إذا كانت الاستشهادات بداخلها تتطابق مع الوسوم الخارجية. ولأن بيانات الاختبار جاءت من مصدر واحد ولم تتضمن حقيقة أرضية موثقة، فإن قدرة النظام على اكتشاف سوء السلوك الأكاديمي الفعلي تظل غير مثبتة. ويقترح الباحثون أن النسخ المستقبلية من الأداة يجب أن تُختبر على مجموعات بيانات أكبر بكثير وأن تُدمج مع خطوات تحقق خارجية لتأكيد ما إذا كانت السجلات المميزة هي بالفعل أخطاء أو شيئاً أكثر خطورة.

في نهاية المطاف، يقدم هذا العمل خطوة عملية نحو الحفاظ على صحة المكتبات الرقمية. فمن خلال التعامل مع سلامة البيانات الوصفية كمشكلة متعددة الطبقات، خلق الباحثون أداة يمكنها الغربلة عبر الضجيج وتسليط الضوء على الإشارات التي تهم. هي لا تحل محل الحاجة إلى الحكم البشري، لكنها تجعل ذلك الحكم أكثر كفاءة. وفي النهاية، الهدف ليس الإمساك بالمجرمين، بل ضمان أن تظل أسس التواصل الأكاديمي صلبة، ودقيقة، وموثوقة لكل من يعتمد عليها.