Understanding Wikidata Qualifiers: An Analysis and Taxonomy

Dit artikel presenteert een analyse en een verfijnde taxonomie van Wikidata-qualifiers, gebaseerd op een evaluatie van hun frequentie en diversiteit, om bij te dragen aan betere bijdragepraktijken, querysystemen en kennisgrafiekontwerpen.

De kern

Stel je voor dat Wikidata een gigantische, oneindige bibliotheek is. In deze bibliotheek staan miljarden kaarten (statements) die vertellen wie iets is of wat iets doet. Bijvoorbeeld: "George C. Scott was getrouwd met Colleen Dewhurst."

Maar wat als je meer details wilt? Wanneer waren ze getrouwd? Hoe lang duurde het? Waarom is het geëindigd?

In de digitale wereld van Wikidata zijn deze extra details kwalificatoren (qualifiers). Ze zijn als de kleine bijschriften op een museumplaatje. Zonder hen is de informatie vaag; met hen wordt het verhaal compleet.

Dit artikel van Gilles Falquet en Sahar Aljalbout is als een gids voor bibliothecarissen die proberen deze duizenden bijschriften te ordenen. Hier is wat ze hebben ontdekt, vertaald in alledaags taal:

1. Het probleem: De chaos van de "Bijschriften"

Tot nu toe was het voor mensen die Wikidata bijhouden (de vrijwilligers) een enorme puzzel: "Welk bijschrift moet ik nu gebruiken?"
Soms gebruiken ze de verkeerde, soms vergeten ze er een, en als je wilt zoeken in de bibliotheek, is het moeilijk om te filteren op specifieke details (bijvoorbeeld: "Toon alleen huwelijken die eindigden met een scheiding, niet met een overlijden").

De auteurs hebben gekeken naar de 300 meest gebruikte bijschriften en bedacht een systeem om ze in te delen, net zoals je kleding in kasten hangt: niet willekeurig, maar op basis van wat ze doen.

2. Hoe meten ze wat belangrijk is? (De "Populairiteit" vs. "Veelzijdigheid")

Ze wilden niet alleen kijken naar welke bijschriften het vaakst voorkomen. Stel, een bijschrift wordt 1 miljoen keer gebruikt, maar alleen voor één heel specifiek ding (zoals "sterrenhelderheid"). Dat is niet heel nuttig voor de rest van de bibliotheek.

Ze gebruikten een slimme formule (een soort "diversiteitsmeter") om te kijken:

• Hoe vaak wordt het gebruikt?
• Hoeveel verschillende soorten dingen helpt het te beschrijven?

Een goed bijschrift is als een zwitserse zakmes: het wordt vaak gebruikt én het werkt voor veel verschillende situaties. Een slecht bijschrift is als een sleutel die alleen maar één heel oud slot opent: het wordt misschien vaak gebruikt, maar het is niet flexibel.

3. De Grote Indeling (De Taxonomie)

De auteurs hebben de bijschriften ingedeeld in vier grote "schappen" in hun kast. Hier zijn de analogieën:

A. De Context-schappen (Waar en Wanneer?)

Dit zijn de bijschriften die zeggen: "Dit verhaal geldt alleen onder deze omstandigheden."

• Tijd: "Getrouwd van 1960 tot 1965." (Zonder dit zou het lijken alsof ze nog steeds getrouwd zijn).
• Ruimte: "Dit is de officiële website, maar alleen voor Duitsland."
• Voor wie: "Deze regel geldt voor de hele stad, maar niet voor het dorpje ernaast."
• Analogie: Dit is als een kalender en een kaart die je bij een uitnodiging plakt.

B. De Wetenschaps-schappen (Hoe zeker zijn we?)

Soms weten we het niet 100% zeker. Deze bijschriften zeggen: "We denken dit, maar het is misschien niet helemaal waar."

• Onzekerheid: "Geboren rond 420 v.Chr." (Het is geen exacte datum).
• Hypothesen: "De schrijver is waarschijnlijk Constantijn."
• Analogie: Dit zijn de waarschuwingsborden of de kleine lettertjes die zeggen: "Dit is een schatting, geen feit."

C. De Bouw-schappen (Hoe is het opgebouwd?)

Soms is een antwoord geen enkel woord, maar een samengesteld geheel. Deze bijschriften helpen om de losse onderdelen bij elkaar te houden.

• Structuur: Als je de "startpositie van een gen" opschrijft, heb je een getal én een chromosoom nodig. Het bijschrift "chromosoom" zorgt dat het getal niet verloren gaat.
• Lijsten: "Deze lijst bevat 39 items."
• Analogie: Dit is als de onderdelen van een LEGO-set. Zonder de instructie (het bijschrift) weet je niet welk blokje bij welk blokje hoort.

D. De Extra Info-schappen (De leukste details)

Dit zijn de bijschriften die het verhaal rijker maken, maar de kern niet veranderen.

• Voor wie: "In deze film speelt hij de rol van de slechterik."
• Oorzaak: "Het gebouw is afgebrand door blikseminslag."
• Bron: "Deze informatie komt uit een krant uit 1920."
• Analogie: Dit is de verhaallijn of de achtergrondmuziek die het verhaal levendig maakt.

4. Waarom is dit nuttig?

Deze indeling is niet alleen voor de boekenkast; het helpt de hele bibliotheek beter te werken:

1. Voor de schrijvers: Als je een nieuwe kaart maakt, kun je nu sneller kiezen welk bijschrift je nodig hebt. Je denkt: "Ah, ik wil een tijdsduur aangeven, dus ik ga naar het 'Tijd'-schap."
2. Voor de zoekers: Als je zoekt, kun je nu slimme vragen stellen. "Toon me alle films die eindigden met een scheiding" in plaats van te zoeken naar een specifieke code.
3. Voor de robots: Computers kunnen nu logischer redeneren. Ze begrijpen dat "begin 1960" en "eind 1965" samen een tijdvak vormen, en dat "scheiding" een reden is voor het einde.

Conclusie

Kortom, deze auteurs hebben de chaos van de Wikidata-bijschriften omgezet in een logisch, overzichtelijk systeem. Ze hebben laten zien dat deze kleine toevoegingen niet zomaar willekeurige notities zijn, maar essentiële stukjes van een groter plaatje dat tijd, ruimte, zekerheid en structuur samenbrengt.

Door deze "gids" te hebben, wordt Wikidata niet alleen een grotere database, maar een slimmere, begrijpelijkere wereld waar zowel mensen als computers makkelijker de waarheid kunnen vinden.

Technische samenvatting

Titel: Understanding Wikidata Qualifiers: An Analysis and Taxonomy

Auteurs: Gilles Falquet en Sahar Aljalbout (Universiteit van Genève)

---

1. Probleemstelling

Wikidata is een kennisgrafiek bestaande uit statements (zinnen) die entiteiten beschrijven. Een statement heeft de vorm (onderwerp, eigenschap, waarde). Om deze statements nauwkeuriger te maken, kunnen ze worden gekwalificeerd met extra eigenschap-waarde paren (qualifiers). Hoewel qualifiers essentieel zijn voor de expressiviteit van Wikidata, vormen ze een groot praktisch probleem:

• Selectie: Voor bijdragers is het overweldigend om de juiste qualifier te kiezen uit een scala aan opties.
• Query's: Het formuleren van correcte queries is complex, vooral wanneer qualifiers de geldigheid van een statement beperken tot een bepaalde tijd, ruimte of organisatie, of wanneer ze onzekerheid uitdrukken.
• Logische inferentie: Het afleiden van nieuwe feiten vereist een duidelijk begrip van hoe qualifier-waarden overgaan van voorwaarden naar conclusies.
• Ontbrekende semantiek: Veel eigenschappen hebben geen duidelijke beschrijving van hun rol als qualifier, wat leidt tot inconsistent gebruik.

Het paper stelt dat er een gestructureerde aanpak nodig is om de semantiek en het daadwerkelijke gebruik van qualifiers te begrijpen en een taxonomie te ontwikkelen die deze uitdagingen aanpakt.

2. Methodologie

De auteurs hanteren een combinatie van kwantitatieve analyse en kwalitatieve classificatie:

• Data-set: Analyse van een volledige Wikidata-dump van 1 januari 2025.
• Definitie van een qualifier: Een eigenschap die wordt gebruikt om statements te kwalificeren, exclusief voorbeeldstatementen (meta-statements) en eigenschappen die door scope-constraints niet als qualifier mogen worden gebruikt.
• Selectie van belangrijke qualifiers: Om een beheersbare taxonomie te bouwen, selecteerden de auteurs de top 300 qualifiers.
  • Frequentie: Het aantal statements waarin een qualifier voorkomt.
  • Diversiteit: Het aantal verschillende eigenschappen dat door een qualifier wordt gekwalificeerd.
  • Aangepast Diversiteitsindex: De auteurs passen een aangepaste versie van de Shannon-entropie (Hill-getal van orde 1) toe. Ze corrigeren voor het "long tail"-fenomeen door in plaats van absolute frequenties proportionele frequenties te gebruiken. Dit voorkomt dat één zeer frequente eigenschap de diversiteit van een qualifier kunstmatig verlaagt.
• Classificatie: De geselecteerde qualifiers werden geanalyseerd op basis van hun tekstuele beschrijving, de eigenschappen die ze het vaakst kwalificeren, en de waarden die ze aannemen. De analyse begon met een bestaande taxonomie (Patel-Schneider) en werd verfijnd op basis van de empirische data.

3. Belangrijkste Bijdragen: De Taxonomie

De paper introduceert een verfijnde taxonomie die verder gaat dan de traditionele indeling in "contextueel" en "additioneel". De taxonomie (weergegeven in Figuur 4 van het paper) omvat vier hoofdgroepen:

1. Context Qualifiers (Geldigheid): Beperken de geldigheid van een statement tot een specifieke context.
   • Temporeel: Bijv. start time, end time, point in time.
   • Ruimtelijk: Bijv. country, valid in place.
   • Onderwerp-modificatie: Bijv. applies to part, excluding.
2. Epistemische / Onzekerheid: Geven informatie over de kennisstatus of validatiegraad van een statement.
   • Onzekerheid: Bijv. circa, hypothesis.
   • Onzekerheidskwantificatie: Bijv. earliest date, latest date (geeft een interval aan waarin de echte waarde ligt).
3. Structurale Qualifiers: Participeren in de definitie van datastructuren of metamodeling.
   • Metamodeling: Definieren van categorieën, lijsten en constraints (bijv. class, property scope).
   • Veld van een gestructureerde waarde: Wanneer de waarde van een statement niet een Wikidata-item is maar een samengestelde waarde (bijv. een getal + een eenheid, of een ID + een catalogus). Voorbeelden: astronomical filter, chromosome.
4. Additionele Informatie: Leveren extra info zonder de kernbetekenis van het statement te veranderen.
   • Sequentie: Positie in een reeks (bijv. series ordinal).
   • Provenance: Broninformatie (bijv. determination method, statement supported by).
   • Causaliteit: Oorzaken of gevolgen (bijv. end cause, has cause).
   • Relatie Onderwerp/Statement: De rol van het onderwerp of object (bijv. subject has role, character role).
   • Sub-eigenschap / Waarde verfijning: Preciseren van de relatie (bijv. criterion used).
   • Beschrijving externe entiteit: Beschrijven van externe objecten (URL's, DOI's) die geen Wikidata-item zijn (bijv. language of work or name op een URL).

4. Resultaten

• Verdeling: De analyse toont aan dat er geen correlatie is tussen frequentie en diversiteit. Een veelvoorkomende qualifier is niet per se breed inzetbaar.
• Dekking: De top 300 qualifiers dekken 99,6% van alle qualifier-waarde paren in de Wikidata-grafiek.
• Distributie:
  • De categorie "Other Additional" bevat de meeste qualifiers (meer dan de helft van de top 300), maar deze hebben vaak een lage frequentie en diversiteit (domeinspecifiek).
  • De categorie "Structured Value" en "Sequence" zijn zeer frequent en hebben een hoge impact op de data-integriteit.
  • "Context" qualifiers (tijd/ruimte) vormen minder dan 10% van de totale kwalificaties, wat de stelling in eerdere literatuur weerlegt dat de meeste qualifiers contextueel zijn.
• Verwarring: De studie identificeerde gevallen waar qualifiers verkeerd worden gebruikt (bijv. country als qualifier voor place of birth, wat redundant is omdat het land al in het object staat), vaak veroorzaakt door ontbrekende beschrijvingen of ambiguïteit in de definitie.

5. Betekenis en Toepassingsmogelijkheden

De ontwikkelde taxonomie biedt concrete oplossingen voor de in de inleiding gestelde problemen:

1. Selectie van Qualifiers: De taxonomie helpt bijdragers om de juiste qualifier te vinden door ze te groeperen op basis van hun semantische rol (bijv. "Ik wil een tijdsinterval specificeren" -> Context/Temporeel).
2. Query's en Inferentie: Door qualifiers te abstraheren naar hogere data-types (bijv. een "temporeel context object" in plaats van losse start time en end time qualifiers), kunnen complexere query's en inferentieregels worden opgesteld. Bijvoorbeeld, het controleren van tijds-overlappingen wordt een standaardoperatie in plaats van een complexe logische constructie.
3. Kennisgrafiek Ontwerp: De taxonomie dient als blauwdruk voor het ontwerpen van nieuwe kennisgrafieken, waarbij duidelijk wordt welke dimensies (context, onzekerheid, structuur, causaliteit) essentieel zijn voor een robuust model.
4. Gebruikersinterface: De indeling kan worden gebruikt om kwalificatie-opties in Wikidata-interfaces logischer te groeperen.

Conclusie:
Dit paper levert een fundamentele bijdrage aan het begrijpen van Wikidata door de eerste empirisch onderbouwde, uitgebreide taxonomie van qualifiers te presenteren. Het combineert ecologische diversiteitsindices met semantische analyse om een raamwerk te creëren dat zowel de kwaliteit van data-invoer als de efficiëntie van data-afvragen en -redenering verbetert.