A Dead Link Is Not Lost Code: Separating Repository Reachability from Deposit Availability in Zenodo Software Citations
Diese Studie analysiert 3.837 Zenodo-Softwarezitierungen, um zu zeigen, dass die meisten archivierten Dateien auch dann zugänglich bleiben, wenn ihre Quellcode-Repositories nicht mehr erreichbar sind, wobei ein erheblicher Teil der fehlerhaften Zitierungen auf tote Repository-Pointer statt auf verlorene Software zurückzuführen ist, was den kritischen Unterschied zwischen der Verfügbarkeit eines Repositories und der Integrität eines Deposits hervorhebt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen Welt der Wissenschaft ist eine Software nicht mehr nur ein Werkzeug; sie ist ein eigenständiges Forschungsprodukt, das die gleiche Anerkennung verdient wie ein Zeitschriftenartikel. Um sicherzustellen, dass diese Anerkennung fair und dauerhaft ist, versehen Wissenschaftler ihren Code nun mit einem speziellen digitalen Tag, einem eindeutigen Identifikator, der wie eine permanente Adresse fungiert. Dieser Tag weist auf eine spezifische Version der Software hin, die in der Zeit eingefroren ist, damit jeder, der Jahre später ein Paper liest, genau denselben Code finden kann, den der Autor verwendet hat. Das System beruht auf einem Versprechen: dass diese Adresse immer den Leser zu der Software führen wird. Doch damit dieses Versprechen halten kann, müssen zwei Dinge geschehen. Erstens muss die Adresse selbst funktionieren und zu einer Seite führen, auf der die Software gespeichert ist. Zweitens muss die Software selbst noch vorhanden sein, bereit zum Download. Wenn die Adresse zu einer Seite führt, die „Datei nicht gefunden“ anzeigt, oder wenn die Seite zwar lädt, aber der Code verschwunden ist, klafft eine Lücke in der wissenschaftlichen Dokumentation.
Forscher wissen schon lange, dass Web-Links in der Wissenschaft oft brechen, ein Problem, das als „Linkrot“ bekannt ist. Software-Zitate sind jedoch anders, da sie auf einem zweischichtigen System basieren. Der permanente Tag weist auf ein digitales Archiv hin, welches wiederum auf das ursprüngliche Code-Repository verweist, das oft auf einer Plattform wie GitHub gehostet wird. Das Archiv wird von einer Organisation verwaltet, die sich dem Schutz verpflichtet fühelt, während der ursprüngliche Code auf einer Plattform lebt, auf der der Besitzer das Projekt jederzeit umbenennen, privatisieren oder löschen kann. Dies schafft eine einzigartige Situation, in der der permanente Tag perfekt funktionieren kann, selbst wenn das ursprüngliche Projekt verschwunden ist. Ein Forscher setzte sich zum Ziel, genau zu messen, wie oft dies geschieht, und vor allem zu prüfen, ob die Software selbst noch wiederherstellbar ist, wenn der ursprüngliche Pfad blockiert ist.
Die Studie konzentrierte sich auf tausende Software-Datensätze aus einem bedeutenden digitalen Archiv namens Zenodo, das weit verbreitet genutzt wird, um wissenschaftlichen Code zu bewahren. Der Forscher prüfte nicht nur, ob die ursprünglichen Projektseiten noch online waren; er überprüfte drei verschiedene Ebenen der Zitierkette. Zuerst prüfte er, ob das ursprüngliche Projekt-Repository noch existierte. Zweitens prüfte er, ob die spezifische Version des Codes, die in der Zitierung erwähnt wurde, noch zugänglich war. Schließlich prüfte er in den Fällen, in denen der ursprüngliche Pfad unterbrochen war, ob das digitale Archiv tatsächlich die tatsächlichen Dateien besaß. Dieser Ansatz ermöglichte es ihm, das Scheitern eines Links von dem Verlust der Software selbst zu unterscheiden.
Die Ergebnisse zeigten ein klares Muster des Verfalls über die Zeit. Je älter die Software-Datensätze wurden, desto höher wurde die Wahrscheinlichkeit, dass ihre Links brachen. Etwa 4,7 Prozent der ursprünglichen Projekt-Repositories waren nicht mehr erreichbar. Das Problem war jedoch noch häufiger, wenn man sich die spezifischen Versionen des Codes ansah, die Wissenschaftler tatsächlich zitierten. Bei dieser strengeren Prüfung stieg die Ausfallrate auf 5,55 Prozent. Dieser Unterschied ist signifikant, denn er bedeutet, dass in etwa jedem sechsten gebrochenen Zitat das ursprüngliche Projekt noch lebt und gedeiht, aber die spezifische Version des Codes, die der Forscher zitiert hat, gelöscht oder verschoben wurde. Dies ist eine entscheidende Unterscheidung: Eine einfache Überprüfung der Hauptseite des Projekts würde diesen Fehler komplett übersehen und die Software als verfügbar erscheinen lassen, obwohl sie es nicht ist.
Trotz dieser gebrochenen Links erwies sich das digitale Archiv als ein bemerkenswert effektives Sicherheitsnetz. Wenn der Forscher den gebrochenen Links zum Archiv folgte, stellte er fest, dass das Archiv in 94,4 Prozent der Fälle immer noch die Originaldateien auslieferte. Das bedeutet, dass selbst wenn der Pfad zum ursprünglichen Projekt verloren ging, die Software selbst meist noch vorhanden war, bewahrt im Archiv. Das Archiv tut genau das, wofür es entwickelt wurde: den Code sicher aufzubewahren, selbst wenn die ursprüngliche Heimat weg ist. Die einzige Zeit, in der die Software wirklich verloren ging, war in einem sehr kleinen Bruchteil der Fälle, weniger als einem Prozent aller Zitate, in denen der Archiv-Datensatz existierte, aber die Dateien fehlten.
Die Studie hob auch ein subtiles, aber wichtiges Risiko hervor. Etwa 6,4 Prozent der Zitate, die funktionsfähig erschienen, beruhten tatsächlich auf einer Kulanz-Weiterleitung. Dies geschieht, wenn ein Projekt seinen Namen ändert und die Hosting-Plattform den alten Namen automatisch an den neuen weiterleitet. Während dies heute funktioniert, ist es keine permanente Garantie; falls in der Zukunft jemand anderes den alten Namen beansprucht, könnte der Link lautlos brechen oder auf unzusammenhängenden Code verweisen. Dies deutet darauf hin, dass, während das Archiv die Software hält, die Art und Weise, wie wir auf sie verweisen, vorsichtiger sein muss. Der Forscher kam zu dem Schluss, dass Wissenschaftler die permanente Archiv-Kennung zitieren sollten, anstatt den Link zum ursprünglichen Projekt, und dass Werkzeuge, die Zitate prüfen, zuerst das Archiv betrachten sollten, bevor sie eine Referenz als tot erklären. Die Infrastruktur, die gebaut wurde, um Forschungssoftware zu schützen, funktioniert, aber es erfordert von uns, tiefer als den Oberflächenlink zu blicken, um den verbliebenen Code zu finden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.