A Dead Link Is Not Lost Code: Separating Repository Reachability from Deposit Availability in Zenodo Software Citations
Deze studie analyseert 3.837 Zenodo-softwarecitaties om aan te tonen dat hoewel de meeste gearchiveerde bestanden toegankelijk blijven zelfs wanneer hun broncode-repositories onbereikbaar worden, een aanzienlijk deel van de defecte citaties voortkomt uit dode repository-pointers in plaats van verloren gegane software, wat het cruciale onderscheid tussen de beschikbaarheid van een repository en de integriteit van een deposit benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de moderne wereld van de wetenschap is software niet langer slechts een hulpmiddel; het is een onderzoeksproduct op zich, dat dezelfde erkenning verdient als een tijdschriftartikel. Om te zorgen dat deze erkenning eerlijk en blijvend is, voegen wetenschappers nu een speciale digitale tag toe aan hun code, een unieke identificatie die fungeert als een permanent adres. Deze tag verwijst naar een specifieke versie van de software, bevroren in de tijd, zodat iedereen die jaren later een artikel leest, precies dezelfde code kan vinden die de auteur gebruikte. Het systeem steunt op een belofte: dat dit adres altijd zal leiden naar de software. Maar voor deze belofte kan standhouden, moeten er twee dingen gebeuren. Ten eerste moet het adres zelf werken en leiden naar een pagina waar de software wordt opgeslagen. Ten tweede moet de software zelf nog aanwezig zijn, wachtend om gedownload te worden. Als het adres leidt naar een pagina met de tekst "bestand niet gevonden", of als de pagina laadt maar de code is verdwenen, dan zit er een gat in het wetenschappelijke verslag.
Onderzoekers weten al lang dat weblinks in de wetenschap vaak breken, een probleem dat bekend staat als "linkrot". Echter, softwarecitaties zijn anders omdat ze gebouwd zijn op een tweelaags systeem. De permanente tag wijst naar een digitaal archief, dat op zijn beurt weer wijst naar de oorspronkelijke coderepository, die vaak wordt gehost op een platform zoals GitHub. Het archief wordt beheerd door een organisatie die zich erop richt om zaken veilig te bewaren, terwijl de oorspronkelijke code leeft op een platform waar de eigenaar het project op elk gewenst moment kan hernoemen, privatiseren of verwijderen. Dit creëert een unieke situatie waarin de permanente tag perfect kan blijven werken, zelfs als het oorspronkelijke project is verdwenen. Een onderzoeker zette zich in om precies te meten hoe vaak dit gebeurt, en nog belangrijker, om te zien of de software zelf nog herstelbaar is wanneer het oorspronkelijke pad geblokkeerd is.
De studie richtte zich op duizenden softwarerecords van een groot digitaal archief genaamd Zenodo, dat breed wordt gebruikt door wetenschappers om hun code te bewaren. De onderzoeker controleerde niet alleen of de oorspronkelijke projectpagina's nog online waren; hij controleerde drie verschillende niveaus van de citatieketen. Eerst controleerde hij of de oorspronkelijke projectrepository nog bestond. Daarna controleerde hij of de specifieke versie van de code die in de citatie werd genoemd, nog steeds toegankelijk was. Ten slotte controleerde hij, voor de gevallen waar het oorspronkelijke pad verbroken was, of het digitale archief de eigenlijke bestanden nog vasthield. Deze aanpak stelde hem in staat om het onderscheid te maken tussen het falen van een link en het verlies van de software zelf.
De resultaten toonden een duidelijk patroon van verval over de tijd. Naarmate de softwarerecords ouder werden, nam de waarschijnlijkheid dat hun links braken toe. Ongeveer 4,7 procent van de oorspronkelijke projectrepositories was niet langer bereikbaar. Echter, het probleem kwam nog vaker voor bij het kijken naar de specifieke versies van de code die wetenschappers daadwerkelijk citeerden. Bij deze striktere controle steeg het foutpercentage naar 5,45 procent. Dit verschil is significant omdat het betekent dat in ongeveer één op de zes gebroken citaties het oorspronkelijke project nog leeft en wel, maar de specifieke versie van de code die de onderzoeker citeerde is verwijderd of verplaatst. Dit is een cruciaal onderscheid: een eenvoudige controle van de hoofdpagina van het project zou deze fout volledig missen, waardoor de software beschikbaar lijkt terwijl dat niet zo is.
Ondanks deze gebroken links bleek het digitale archief een opmerkelijk effectief vangnet te zijn. Wanneer de onderzoeker de gebroken links volgde naar het archief, ontdekte hij dat in 94,4 procent van de gevallen het archief nog steeds de oorspronkelijke bestanden leverde. Dit betekent dat zelfs wanneer het pad naar het oorspronkelijke project verloren was gegaan, de software zelf meestal nog aanwezig was, bewaard in het archief. Het archief doet precies wat het is ontworzaagd om te doen: de code veilig houden, zelfs wanneer de oorspronkelijke thuisbasis verdwenen is. De enige keer dat de software echt verloren ging, was in een zeer klein deel van de gevallen, minder dan één procent van alle citaties, waarbij het archiefrecord wel bestond maar de bestanden ontbraken.
De studie benadrukte ook een subtiel maar belangrijk risico. Ongeveer 6,4 procent van de citaties die werkten, vertrouwde eigenlijk op een beleefde doorverwijzing (courtesy redirect). Dit gebeurt wanneer een project van naam verandert en het hostingplatform automatisch de oude naam naar de nieuwe naam stuurt. Hoewel dit vandaag de dag werkt, is het geen permanente garantie; als iemand in de toekomst de oude naam opeist, kan de link geruisloos breken of naar ongerelateerde code wijzen. Dit suggereert dat hoewel het archief de software vasthoudt, de manier waarop we ernaar verwijzen zorgvuldiger moet zijn. De onderzoeker concludeerde dat wetenschappers de permanente archiefidentificator moeten citeren in plaats van de oorspronkelijke projectlink, en dat tools die citaties controleren eerst naar het archief moeten kijken voordat ze een referentie als dood verklaren. De infrastructuur die gebouwd is om onderzoekssoftware te beschermen werkt, maar het vereist dat we dieper kijken dan de oppervlakkige link om de code te vinden die nog aanwezig is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.