Agreement is not corroboration: bounding the independence of cultural-heritage authority links

In der weitläufigen, vernetzten Welt der digitalen Bibliotheken findet eine stille Revolution statt, um Informationen leichter auffindbar und verknüpfbar zu machen. Stellen Sie sich ein globales Netzwerk vor, in dem jedes Museum, jedes Archiv und jede Bibliothek die gleiche Sprache spricht, sodass ein Forscher in einem Land augenblicklich ein Gemälde in einem anderen oder eine historische Persönlichkeit in einem dritten finden kann. Um dies zu ermöglichen, verlassen sich diese Institutionen auf „Autoritätsdateien“ – sorgfältig kuratierte Listen, die sicherstellen, dass alle denselben Namen für dieselbe Person oder denselben Ort verwenden. Wenn verschiedene Systeme sich auf einen Namen einigen, verknüpfen sie ihre Datensätze miteinander und schaffen so ein Wissensnetz, das weitaus leistungsfähiger ist als jede einzelne Sammlung allein.

Es stellt sich jedoch eine subtile, aber entscheidende Frage, wenn diese Verknüpfungen gebildet werden: Bedeutet Übereinstimmung auch Wahrheit? Wenn zwei verschiedene Datenbanken dieselbe Kennung für einen berühmten Künstler auflisten, ist es verlockend anzunehmen, dass beide die Identität des Künstlers unabhängig voneinander bestätigt haben, was die Zuverlässigkeit der Information verdoppelt. Doch in der digitalen Welt könnte ein System die Kennung lediglich von einem anderen übernommen haben, oder beide könnten sie von einer dritten, gemeinsamen Quelle geerbt haben. In diesem Szenario ist die Übereinstimmung zwar real, aber die Evidenz ist nicht unabhängig. Zwischen der Unterscheidung zwischen einer echten, doppelt geprüften Bestätigung und einer einfachen Kette des Kopierens zu können, ist essenziell, um zu wissen, wie viel Vertrauen man in die Daten setzen kann.

Eine aktuelle Studie von Emin Talip Demirkiran von der Eskisehir Technical University befasst sich genau mit diesem Problem innerhalb von Wikidata, einem massiven, kollaborativen Wissensgraphen, der als zentraler Knotenpunkt für die Verbindung dieser verschiedenen Bibliothekssysteme fungiert. Die Forschung konzentriert sich auf die Verbindungen zwischen der Getty Union List of Artist Names (ULAN) und den Namensautoritätsdateien der Library of Congress (LC), zwei der wichtigsten Standards in der Welt des Kulturerbes. Das Ziel war nicht zu sehen, ob die Verknüpfungen existieren, sondern zu bestimmen, wie viele dieser Verknüpfungen wirklich unabhängige Entdeckungen waren und wie viele lediglich Kopien voneinander.

Um dies zu beantworten, untersuchte der Forscher einen eingefrorenen Schnappschuss von 3.000 spezifischen Entitäten aus der Wikidata-Datenbank. Für jede Entität untersuchte die Studie die „Provenienz“, also die Geschichte, wie die Verknüpfung erstellt wurde. Das Team klassifizierte jeden Fall der Übereinstimmung in eine von drei Kategorien. Einige Verknüpfungen waren eindeutig „propagiert“, was bedeutet, dass die Daten von einer Quelle in eine andere importiert oder kopiert wurden. Andere waren „unabhängig“ und zeigten klare Anzeichen dafür, dass die beiden Quellen die Verknüpfung eigenständig hergestellt hatten. Eine dritte Gruppe hingegen war „unverfolgbar“, wobei die digitale Historie fehlte oder unklar war, was den Ursprung der Übereinstimmung zu einem Rätsel machte.

Die Ergebnisse offenbarten eine Landschaft, die weitaus komplexer ist als ein einfaches Häkchen bei einer Übereinstimmung. Von den 1.546 analysierten spezifischen Aussagen konnten nur etwa 256 als unabhängig etabliert bestätigt werden. Ein wesentlich größerer Teil, 728 Aussagen, waren eindeutig propagiert, was bedeutet, dass es sich um Kopien handelt. Die bedeutendste Erkenntnis betraf jedoch die 562 Aussagen, die in die Kategorie „unverfolgbar“ fielen. Da die digitale Spur für diese Artikel unterbrochen war, konnten die Forscher nicht mit Sicherheit sagen, ob sie unabhängig oder kopiert waren.

Diese fehlenden Informationen schufen eine Spanne von Möglichkeiten statt einer einzigen Antwort. Wenn jede unverfolgbare Aussage tatsächlich eine Kopie wäre, läge die Rate der unabhängigen Überechnungen insgesamt sehr niedrig, bei etwa 16 Prozent. Wenn jede unverfolgbare Aussage tatsächlich unabhängig wäre, würde die Rate auf etwa 56 Prozent steigen. Die wahre Antwort liegt irgendwo dazwischen, aber die Daten können dies einfach nicht genau bestimmen. Entscheidend ist, dass diese gesamte Spanne der Unsicherheit die Halbmarke überschreitet, was bedeutet, dass die Beweise nicht die Behauptung stützen, dass die meisten Verknüpfungen unabhängig sind, noch dass sie beweisen, dass sie überwiegend Kopien sind.

Als die Forscher nur die Verknüpfungen betrachteten, die sie zurückverfolgen konnten, war das Bild drastisch: Ungefähr 71 Prozent der rückverfolgbaren Übereinstimmungen waren propagiert. Dies deutet darauf hin, dass es oft so ist, dass ein System der Führung des anderen folgt, wenn wir sehen, dass zwei Systeme übereinstimmen, und nicht, weil beide ihre Hausaufgaben gemacht haben. Darüber hinaus fanden die Forscher, dass dieses Phänomen fast vollständig auf Datensätze über Personen konzentriert war, insbesondere auf Künstler und historische Figuren, die über das Getty-System verknüpft sind. Die Mechanismen zur Verknüpfung anderer Arten von Kulturerbe, wie etwa Orte oder Objekte, waren in diesem spezifischen Kontext weitaus weniger aktiv.

Die Studie kommt zu dem Schluss, dass die Übereinstimmung zwischen Autoritätsdateien zwar wertvoll ist, um Daten zu verbinden und nutzbar zu machen, dies aber nicht mit einer unabhängigen Verifizierung verwechselt werden sollte. In der Welt der digitalen Bibliotheken ist eine kopierte Kennung immer noch nützlich für die Navigation und Entdeckung, bietet aber nicht das gleiche Beweisgewicht wie ein doppelt geprüfter Fakt. Die Forschung hebt hervor, dass eine fehlende Historie nicht nur eine Lücke in der Dokumentation ist; sie verändert grundlegend das, was wir wissen können. Ohne einen klaren Nachweis darüber, woher eine Verknüpfung stammt, können wir nicht davon ausgehen, dass es sich um eine frische Bestätigung handelt.

Diese Arbeit dient als Erinnerung daran, dass in unserer zunehmend vernetzten digitalen Welt der Weg, den ein Stück Information nimmt, ebenso wichtig ist wie die Information selbst. Genau wie ein Historiker einen Fakt nicht einfach deshalb akzeptiert, weil zwei Bücher ihn nennen, ohne zu prüfen, ob ein Buch das andere kopiert hat, müssen digitale Systeme die Quelle ihrer Verbindungen berücksichtigen. Die Studie legt nicht nahe, dass diese Verknüpfungen nutzlos sind, aber sie argumenttiert, dass wir vorsichtig sein müssen, nicht dasselbe Beweisstück doppelt zu zählen. Indem digitale Bibliotheken explizit modellieren, woher Daten kommen, und anerkennen, wo die Spur endet, können sie ein ehrlicheres und zuverlässigeres Fundament für das Wissen der Zukunft bauen.