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

जब भी कोई शोधकर्ता एक नए सिद्धांत का परीक्षण करने के लिए डिजिटल फ़ाइल डाउनलोड करता है, या कोई डेवलपर आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने के लिए एक डेटासेट की प्रतिलिपि बनाता है, तो वे अक्सर एक अदृश्य कस्टडी श्रृंखला (chain of custody) में कदम रख रहे होते हैं। ये फ़ाइलें आधुनिक खोज की कच्ची सामग्री हैं, फिर भी इनके उपयोग को नियंत्रित करने वाले नियम अक्सर अस्पष्ट होते हैं। एक फ़ाइल किसी विश्वविद्यालय, सरकारी अभिलेखागार, या निजी कंपनी से आ सकती है, और प्रत्येक स्रोत के अपने स्वयं के अनुमति सेट होते हैं। कुछ लोगों को डेटा का स्वतंत्र रूप से उपयोग करने की अनुमति देते हैं; अन्य व्यावसायिक उपयोग को वर्जित करते हैं या यह आवश्यक करते हैं कि मूल निर्माता को श्रेय दिया जाए। जब एक फ़ाइल की प्रतिलिपि बनाई जाती है, उसे स्थानांतरित किया जाता है, या अन्य के साथ मिलाया जाता है, तो ये अनुमतियाँ उसके साथ यात्रा करनी चाहिए। यदि वे नहीं करती हैं, तो फ़ाइल रखने वाले व्यक्ति को यह पता नहीं चल सकता कि क्या उन्हें इसे साझा करने की अनुमति है, यह वास्तव में कहाँ से आई थी, या इसे कैसे बनाया गया था। इस ज्ञान के बिना, अनुसंधान की पूरी श्रृंखला नाजुक हो जाती है, जो तथ्यों के बजाय धारणाओं पर आधारित होती है।

वर्षों से, इन डिजिटल संग्रहों के ऑडिट बड़े परिप्रेक्ष्य पर केंद्रित रहे हैं। उन्होंने इस बात की गणना की है कि कितने बड़े डेटासेट स्पष्ट नियमों के बिना हैं, यह पाते हुए कि अधिकांश प्रमुख संग्रहों में आवश्यक कागजी कार्रवाई की कमी है। हालाँकि, ये व्यापक जाँच अक्सर उन विवरणों को चूक जाती है जो वास्तव में एक एकल फ़ाइल को रखने वाले व्यक्ति के लिए महत्वपूर्ण होते हैं। वे एक संग्रह को एक एकल बॉक्स की तरह मानते हैं, यह मानकर कि यदि बॉक्स पर एक लेबल है, तो उसके अंदर की प्रत्येक वस्तु समान नियमों को साझा करती है। लेकिन वास्तव में, एक एकल डेटासेट में दर्जनों अलग-अलग स्रोतों की फ़ाइलें हो सकती हैं, जिनमें से प्रत्येक का अपना अनूठा इतिहास और कानूनी स्थिति होती है। जब एक फ़ाइल को उस बॉक्स से निकाला जाता है और एक नए प्रोजेक्ट में उपयोग किया जाता है, तो बाहर लगा बड़ा लेबल अब पूरी कहानी नहीं बताता।

एक स्वतंत्र शोधकर्ता यूजेन स्पिवक का हालिया अध्ययन ध्यान को बॉक्स से हटाकर उसके अंदर की व्यक्तिगत वस्तुओं पर केंद्रित करता है। शोध एक सरल लेकिन कठिन प्रश्न पूछता है: साक्ष्य वास्तव में कहाँ स्थित है? क्या किसी फ़ाइल की उत्पत्ति और उसकी अनुमतियों का प्रमाण पूरे संग्रह के स्तर पर रहता है, या यह प्रत्येक विशिष्ट फ़ाइल के लिए रिकॉर्ड किया जाता है? इसका उत्तर देने के लिए, शोधकर्ता ने मशीन लर्निंग से लेकर डिजिटल संरक्षण तक के क्षेत्रों में उपयोग किए जाने वाले डेटा के उन उन बाईस सार्वजनिक संग्रहों का परीक्षण किया। इन संग्रहों को विभिन्न समुदायों का प्रतिनिधित्व करने के लिए चुना गया था: वे जो स्थान बचाने के लिए डेटा को संकुचित (compress) करते हैं, वे जो आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करते हैं, और वे जो दीर्घकालिक रूप से डिजिटल स्वरूपों को संरक्षित करते हैं। अध्ययन ने सत्रह अलग-अलग मानकों और रूपरेखाओं (frameworks)—जो अनिवार्य रूप से वे नियम पुस्तिकाएं और टेम्पलेट हैं जिनका उपयोग शोधकर्ता अपने डेटा का वर्णन करने के लिए करते हैं—की भी समीक्षा की, ताकि यह देखा जा सके कि वे क्या रिकॉर्ड करने में सक्षम हैं।

जांच से पता चला कि जो संभव है और जो वास्तव में हो रहा है, उसके बीच एक महत्वपूर्ण अंतर है। नियम पुस्तिकाएं, जिन्हें मेटाडेटा मानक कहा जाता है, आश्चर्यजनक रूप से सक्षम हैं। उनमें से कई में पहले से ही एक विशिष्ट अनुमति, एक स्रोत लिंक, या एक डिजिटल फिंगरप्रिंट को एक एकल फ़ाइल के साथ जोड़ने की तकनीकी क्षमता है। इनमें से कुछ मानक फ़ाइल की समीक्षा या इसे कैसे बनाया गया इसका रिकॉर्ड भी दर्ज कर सकते हैं। हालाँकि, अध्ययन में पाया गया कि लगभग कोई भी इन क्षमताओं का उपयोग नहीं कर रहा है। परीक्षित उन बाईस संग्रहों में से, एक भी संग्रह में स्वयं संग्रह के लिए एक स्थायी, अद्वितीय पहचानकर्ता (unique identifier) नहीं था, जो एक ऐसा उपकरण है जो शोधकर्ताओं को वर्षों बाद डेटा के सटीक संस्करण को खोजने की अनुमति देता है। बाईस में से केवल पाँच संग्रहों ने प्रत्येक व्यक्तिगत फ़ाइल के लिए एक विशिष्ट अनुमति दर्ज की। अधिकांश समय, अनुमतियाँ या तो पूरी तरह से गायब थीं, या साधारण टेक्स्ट (plain text) में लिखी गई थीं जिसे कंप्यूटर नहीं पढ़ सकता, या पूरे संग्रह पर लागू की गई थीं, चाहे उसके अंदर की फ़ाइलों में अंतर क्यों न हो।

शोधकर्ता ने यह भी परीक्षण किया कि क्या इन रिकॉर्डों की जाँच करने के लिए डिज़ाइन किए गए उपकरण वास्तव में काम करते हैं। भले ही किसी फ़ाइल के साथ एक मानक प्रारूप में अनुमति जुड़ी हो, फिर भी रिकॉर्ड को मान्य करने के लिए उपयोग किया जाने वाला सॉफ़वेयर अक्सर इसे अनदेखा कर देता है। उदाहरण के लिए, एक लोकप्रिय मानक एक फ़ाइल को अपना लाइसेंस रखने की अनुमति देता है, लेकिन फ़ाइल की जाँच करने वाला सॉफ़वेयर यह सत्यापित नहीं करता कि वह लाइसेंस वैध है या नहीं, या वह वास्तव में एक वास्तविक लाइसेंस है भी या नहीं। यह बस जो भी टेक्स्ट वहाँ है उसे स्वीकार कर लेता है। यह एक ऐसी स्थिति पैदा करता है जहाँ तकनीक समस्या को हल करने के लिए मौजूद है, लेकिन नियम लागू करने वाले उपकरण अभी तक इसका उपयोग करने के लिए तैयार नहीं हैं। अध्ययन ने निष्कर्ष निकाला कि लापता हिस्सा मानकों में शब्दावली या क्षमता की कमी नहीं है, बल्कि अपनाने की कमी और विश्वसनीय जाँच उपकरणों की कमी है।

यह प्रदर्शित करने के लिए कि एक बेहतर प्रणाली संभव है, शोधकर्ता ने एक छोटा, व्यावहारिक टूलकिट बनाया। यह किट एक निर्माता को संग्रह में प्रत्येक फ़ाइल के लिए एक सरल सूची बनाने की अनुमति देता है, जिसमें उसका आकार, एक अद्वितीय डिजिटल फिंगरप्रिंट, उसका स्रोत और उसकी विशिष्ट अनुमतियाँ दर्ज होती हैं। किट फिर इस सूची को एक ऐसे प्रारूप में परिवर्तित करता है जिसे मानक सॉफ़वेयर पढ़ सके। तीन अलग-अलग प्रकार के डेटा संग्रहों पर परीक्षण करने पर, किट ने सफलतापूर्वक रिकॉर्ड किया कि क्या ज्ञात था, क्या अज्ञात था, और कहाँ नियम परस्पर विरोधी थे। इसने दिखाया कि हालांकि इसमें प्रयास की आवश्यकता है, लेकिन यह प्रबंधनीय है। लागत लाखों फ़ाइलों को प्रोसेस करने में नहीं है, बल्कि विभिन्न स्रोतों और रूपांतरणों के लिए जानकारी जुटाने में लगने वाले मानवीय समय में है।

निष्कर्षों का सुझाव है कि समाधान दृष्टिकोण के बदलाव में निहित है। एक डेटासेट पर एक एकल लेबल के सब कुछ कवर करने की उम्मीद करने के बजाय, शोधकर्ताओं को उस स्तर पर साक्ष्य रिकॉर्ड करने की आवश्यकता है जहाँ फ़ाइल वास्तव में उपयोग की जाती है। इसका अर्थ है प्रत्येक फ़ाइल के साथ एक विशिष्ट रिकॉर्ड संलग्न करना जो उसके साथ यात्रा करे, चाहे वह कहीं भी जाए। अध्ययन इस प्रक्रिया को साकार करने के लिए नौ विशिष्ट सिफारिशें प्रदान करता है। यह डेटा संग्रह बनाने वालों से आह्वान करता है कि वे अपनी प्रत्येक रिलीज़ की गई फ़ाइल के लिए एक विस्तृत सूची प्रकाशित करें। यह उन प्लेटफार्मों से कहता है जो इन संग्रहों की मेजबानी करते हैं कि वे रचनाकारों के रिकॉर्ड को अपने सामान्य सारांशों के साथ ओवरराइट करना बंद करें। यह तकनीकी मानकों के रखरखाव करने वालों से अपने उपकरणों को अपडेट करने का आग्रह करता है ताकि वे वास्तव में इन फ़ाइल-स्तरीय विवरणों की जाँच करें। अंत में, यह वैज्ञानिक पत्रों की समीक्षा करने वालों से किसी अध्ययन को स्वीकार करने से पहले इन पाँच प्रमुख साक्ष्यों की जाँच करने को कहता है।

आगे का मार्ग स्पष्ट है लेकिन इसके लिए समन्वय की आवश्यकता है। प्रत्येक फ़ाइल के इतिहास और अनुमतियों को ट्रैक करने की तकनीक नियम पुस्तिकाओं में पहले से मौजूद है। चुनौती यह सुनिश्चित करने की है कि जो लोग डेटा बनाते हैं, जो प्लेटफ़ॉर्म इसकी मेजबानी करते हैं, और जो उपकरण इसकी जाँच करते हैं, वे सभी इसका उपयोग करने के लिए सहमत हों। साक्ष्य को संग्रह के सामान्य विवरण से हटाकर प्रत्येक फ़ाइल के विशिष्ट रिकॉर्ड में ले जाकर, वैज्ञानिक समुदाय यह सुनिश्चित कर सकता है कि आज की डिजिटल सामग्रियां कल की खोजों के लिए भरोसेमंद, उपयोगी और कानूनी रूप से सुदृढ़ बनी रहें। अध्ययन यह दावा नहीं करता है कि उसने डेटा लाइसेंसिंग की समस्या को हल कर लिया है, लेकिन इसने ठीक से मानचित्रित किया है कि साक्ष्य कहाँ स्थित है और यह दिखाया है कि यह अंतराल अभ्यास की कमी है, संभावना की नहीं।