Where the Evidence Sits: An Evidence Map of Dataset Licensing and Data Provenance Gaps Across 29 Research Corpora and 17 Standards

في كل مرة يقوم فيها باحث بتنزيل ملف رقمي لاختبار نظرية جديدة، أو يقوم مطور بنسخ مجموعة بيانات لتدريب ذكاء اصطناعي، فإنه يخطو داخل سلسلة عهدة غالباً ما تكون غير مرئية. هذه الملفات هي المواد الخام للاكتشاف الحديث، ومع ذلك فإن القواعد التي تحكم استخدامها غالباً ما تكون غير واضحة. قد يأتي الملف من جامعة، أو أرشيف حكومي، أو شركة خاصة، ولكل مصدر مجموعته الخاصة من الأذونات. فبعضها يسمح لأي شخص باستخدام البيانات بحرية؛ والبعض الآخر يمنع الاستخدام التجاري أو يتطلب نسب الفضل إلى المبدع الأصلي. وعندما يتم نسخ ملف، أو نقله، أو مزجه مع ملفات أخرى، يجب أن ترافق هذه الأذونات الملف أينما ذهب. وإذا لم تفعل، فلن يتمكن الشخص الذي يحمل الملف من معرفة ما إذا كان مسموحاً له بمشاركته، أو من أين جاء حقاً، أو كيف تم إنتاجه. وبدون هذه المعرفة، تصبح سلسلة البحث بأكملها هشة، مبنية على الافتراضات بدلاً من الحقائق.

لسنوات، ركزت عمليات التدقيق في هذه المجموعات الرقمية على الصورة الكبيرة. لقد قاموا بعدّ كميات مجموعات البيانات الضخمة التي تفتقر إلى قواعد واضحة، ووجدوا أن معظم المجموعات الرئيسية تفتقر إلى الأوراق اللازمة. ومع ذلك، فإن هذه الفحوصات الواسعة غالباً ما تغفل التفاصيل الأكثر أهمية للشخص الذي يحمل ملفاً واحداً بالفعل. إنهم يعاملون المجموعة كصندوق واحد، بافتراض أنه إذا كان للصندوق ملصق، فإن كل عنصر بداخله يتبع نفس القواعد. ولكن في الواقع، يمكن أن تحتوي مجموعة بيانات واحدة على ملفات من عشرات المصادر المختلفة، لكل منها تاريخه الخاص ووضعه القانوني الفريد. وعندما يتم استخراج ملف من ذلك الصندوق واستخدامه في مشروع جديد، فإن الملصق الكبير الموجود في الخارج لم يعد يروي القصة كاملة.

أحدثت دراسة حديثة أجراها الباحث المستقل يوجين سبيفاك تحولاً في التركيز من "الصندوق" إلى "العناصر الفردية" بداخله. تطرح الدراسة سؤالاً بسيطاً ولكنه صعب: أين توجد الأدلة فعلياً؟ هل يكمن دليل أصل الملف وأذوناته على مستوى المجموعة بأكملها، أم أنه مسجل لكل ملف على حدة؟ وللإجابة على ذلك، فحص الباحث تسع وعشرين مجموعة عامة من البيانات المستخدمة في مجالات تتراوح من تعلم الآلة إلى الحفظ الرقمي. وقد اختيرت هذه المجموعات لتمثيل مجتمعات مختلفة: تلك التي تضغط البيانات لتوفير المساحة، وتلك التي تدرب الذكاء الاصطناٍ، وتلك التي تحفظ التنسيقات الرقمية للمدى الطويل. كما راجعت الدراسة سبعة عشر معياراً وإطار عمل مختلفاً — وهي في الأساس كتب القواعد والنماذج التي يستخدمها الباحثون لوصف بياناتهم — لمعرفة ما هي قادرة على تسجيله.

وكشف التحقيق عن فجوة كبيرة بين ما هو ممكن وما يحدث بالفعل. إن كتب القواعد، المعروفة باسم معايير البيانات الوصفية (metadata standards)، قادرة بشكل مدهش. فالعديد منها يمتلك بالفعل القدرة التقنية لإرفاق إذن محدد، أو رابط مصدر، أو بصمة رقمية بملف واحد. بل إن بعض هذه المعايير يمكنها حتى تسجيل مراجعة للملف أو سجلاً لكيفية إنشائه. ومع ذلك، وجدت الدراسة أن لا أحد تقريباً يستخدم هذه القدرات. ففي المجموعات التسع والعشرين التي فُحصت، لم تحمل مجموعة واحدة فقط معرفاً فريداً ودائماً للمجموعة نفسها، وهو أداة تسمح للباحثين بالعثور على النسخة الدقيقة من البيانات بعد سنوات. وفقط خمس مجموعات من أصل تسع وعشرين سجلت إذناً محدداً لكل ملف على حدة. وفي أغلب الأحيان، كانت الأذونات إما مفقودة تماماً، أو مكتوبة بنص عادي لا تستطيع الحواسيب قراءته، أو مطبقة على المجموعة بأكملها بغض النظر عن الاختلافات بين الملفات بداخلها.

كما اختبر الباحث ما إذا كانت الأدوات المصممة لفحص هذه السجلات تعمل بالفعل. فحتى عندما يكون للملف إذن مرفق به بتنسيق قياسي، فإن البرامج المستخدمة للتحقق من هذه السجلات غالباً ما تتجاهله. على سبيل المثال، يسمح أحد المعايير الشائعة بأن يكون للملف ترخيص خاص به، لكن البرنامج الذي يفحص الملف لا يتحقق مما إذا كان هذا الترخيص صالحاً أو حتى ما إذا كان ترخيصاً حقيقياً؛ فهو ببساء يقبل أي نص موجود هناك. وهذا يخلق وضعاً حيث توجد التكنولوجيا لحل المشكلة، لكن الأدوات التي تفرض القواعد ليست جاهزة بعد لاستخدامها. وخلصت الدراسة إلى أن القطعة المفقودة ليست نقصاً في المفردات أو القدرة في المعايير، بل هي نقص في الاعتماد ونقص في أدوات التحقق الموثوقة.

ولإثبات أن نظاماً أفضل هو أمر ممكن، قام الباحث ببناء مجموعة أدوات عملية صغيرة. تتيح هذه المجموعة للمُنشئ إنشاء قائمة بسيطة لكل ملف في المجموعة، توضح حجمه، وبصمته الرقمية الفريدة، ومصدره، وأذوناته المحددة. ثم تقوم المجموعة بتحويل هذه القائمة إلى تنسيق يمكن للبرامج القياسية قراءته. وعند اختبارها على ثلاثة أنواع مختلفة من مجموعات البيانات، نجحت المجموعة في تسجيل ما هو معروف، وما هو مجهول، وحيث تتعارض القواعد. وقد أظهرت أنه بينما يتطلب العمل جهداً، إلا أنه أمر يمكن إدارته. فالتكلفة لا تكم�� في معالجة ملايين الملفات، بل في الوقت البشري اللازم لجمع المعلومات للمصادر والتحولات المختلفة المعنية.

تشير النتائج إلى أن الحل يكمكم في تغيير المنظور. فبدلاً من الأمل في أن ملصقاً واحداً على مجموعة بيانات يغطي كل شيء، يحتاج الباحثون إلى تسجيل الأدلة عند المستوى الذي يُستخدم فيه الملف فعلياً. وهذا يعني إرفاق سجل محدد بكل ملف ينتقل معه، أينما ذهب. تقدم الدراسة تسع توصيات محددة لتحقيق ذلك. فهي تدعو منشئي مجموعات البيانات إلى نشر قائمة مفصلة لكل ملف يطلقونه. وتطلب من المنصات التي تستضيف هذه المجموعات التوقف عن استبدال سجلات المنشئين بملخصاتهم العامة. وتحث القائمين على المعايير التقنية على تحديث أدواتهم بحيث تتحقق فعلياً من تفاصيل هذه الملفات. وأخيراً، تطلب من مراجعي الأوراق العلمية التحقق من هذه القطع الخمس الرئيسية من الأدلة قبل قبول الدراسة.

إن المسار نحو الأمام واضح ولكنه يتطلب تنسيقاً. إن التكنولوجيا لتتبع تاريخ كل ملف وأذوناته موجودة بالفعل في كتب القواعد. التحدي يكمن في التأكد من أن الأشخاص الذين يبنون البيانات، والمنصات التي تستضيفها، والأدوات التي تفحصها، جميعهم يتفقون على استخدامها. ومن خلال نقل الأدلة من الوصف العام للمجموعة إلى السجل المحدد لكل ملف، يمكن للمجتمع العلمي ضمان أن تظل المواد الرقمية اليوم جديرة بالثقة، وقابلة للاستخدام، وسليمة قانونياً لاكتشافات الغد. لا تدعي الدراسة أنها حلت مشكلة ترخيص البيانات، لكنها رسمت بدقة أين تقع الأدلة وأظهرت أن الفجوة هي فجوة ممارسة، وليست فجوة إمكانية.