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

In de uitgestrekte, onderling verbonden wereld van digitale bibliotheken vindt een stille revolutie plaats om informatie gemakkelijker vindbaar en koppelbaar te maken. Stel je een mondiaal netwerk voor waar elk museum, archief en elke bibliotheek dezelfde taal spreekt, waardoor een onderzoeker in het ene land direct een schilderij in een ander land kan vinden of een historisch figuur die in een derde land wordt genoemd. Om dit mogelijk te maken, vertrouwen deze instellingen op "autoriteitsbestanden" — zorgvuldig samengestelde lijsten die ervoor zorgen dat iedereen dezelfde naam gebruikt voor dezelfde persoon of plaats. Wanneer verschillende systemen het eens zijn over een naam, koppelen ze hun records aan elkaar, waardoor een web van kennis ontstaat dat veel krachtiger is dan welke enkele collectie dan ook alleen zou kunnen zijn.

Echter, een subtiele maar cruciale vraag rijst wanneer deze links worden gevormd: betekent overeenstemming gelijk aan waarheid? Als twee verschillende databases dezelfde identificatiecode voor een beroemde kunstenaar vermelden, is het verleidelijk om aan te nemen dat ze beide onafhankelijk de identiteit van de kunstenaar hebben bevestigd, wat de betrouwbaarheid van de informatie verdubbelt. Maar in de digitale wereld kan het zijn dat het ene systeem de identificatiecode simpelweg van het andere systeem heeft gekopieerd, of dat beide afstammen van een derde, gemeenschappelijke bron. In dit scenario is de overeenstemming reëel, maar is het bewijs niet onafhankelijk. Het onderscheid maken tussen een echte, dubbel gecontroleerde bevestiging en een eenvoudige keten van kopiëren is essentieel om te weten hoeveel vertrouwen men aan de data kan schenken.

Een recente studie door Emin Talip Demirkiran van de Eskisehir Technische Universiteit pakt exact dit probleem aan binnen Wikidata, een enorme, collaboratieve kennisgrafiek die fungeert als een centrale hub voor het verbinden van deze diverse bibliotheeksystemen. Het onderzoek richt zich op de links tussen de Union List of Artist Names (ULAN) van Getty en de naamautoriteitsbestanden van de Library of Congress (LC), twee van de belangrijkste standaarden in de culturele erfgoedwereld. Het doel was niet om te zien of de links bestonden, maar om te bepalen hoeveel van die links werkelijk onafhankelijke ontdekkingen waren versus hoeveel er louter kopieën van elkaar waren.

Om dit te beantwoorden, onderzocht de onderzoeker een bevroren momentopname van 3.000 specifieke entiteiten uit de Wikidata-database. Voor elke entiteit bekeek de studie de "provenance", oftewel de geschiedenis van hoe de link tot stand is gekomen. Het team classificeerde elke instantie van overeenstemming in één van de drie categorieën. Sommige links waren duidelijk "gepropageerd", wat betekent dat de data van de ene bron naar de andere is geïmporteerd of gekopieerd. Andere waren "onafhankelijk", waarbij duidelijke tekenen zichtbaar waren dat de twee bronnen de link op eigen initiatief hadden vastgesteld. Een derde groep was echter "ontraceerbaar", waarbij de digitale geschiedenis ontbrak of onduidelijk was, waardoor de oorsprong van de overeenstemming een mysterie bleef.

De resultaten onthulden een landschap dat veel complexer is dan een simpel vinkje bij overeenstemming. Van de 1.546 specifieke verklaringen die werden geanalyseerd, kon slechts ongeveer 256 worden bevestigd als onafhankelijk vastgesteld. Een veel groter deel, 728 verklaringen, was duidelijk gepropageerd, wat betekent dat het kopieën waren. De meest significante bevinding betrof echter de 562 verklaringen die in de categorie ontraceerbaar vielen. Omdat het digitale spoor voor deze items was onderbroken, konden de onderzoekers niet met zekerheid zeggen of ze onafhankelijk of gekopieerd waren.

Deze ontbrekende informatie creëerde een reeks mogelijkheden in plaats van één enkel antwoord. Als elke ontraceerbare verklaring daadwerkelijk een kopie zou zijn, zou het algemene percentage van onafhankelijke overeenstemming zeer laag zijn, rond de 16 procent. Als elke ontraceerbare verklaring daadwerkelijk onafhankelijk zou zijn, zou het percentage stijgen naar ongeveer 56 procent. Het ware antwoord ligt ergens daartussenin, maar de data kan dit simpelweg niet exact aanwijzen. Cruciaal is dat deze gehele bandbreedte van onzekerheid de helft overschrijdt, wat betekent dat het bewijs geen definitieve claim ondersteunt dat de meeste links onafhankelijk zijn, noch dat het bewijst dat ze voornemente kopieën zijn.

Toen de onderzoekers alleen naar de links keken die zij konden traceren, was het beeld treffend: ongeveer 71 procent van de traceerbare overeenkomsten was gepropageerd. Dit suggereert dat wanneer we twee systemen het eens zien zijn, dit vaak komt doordat het ene systeem de leiding van het andere volgt, en niet omdat ze beiden hun eigen huiswerk hebben gedaan. Bovendien stelde de studie vast dat dit fenomeen bijna volledig geconcentreerd was in records over mensen, specifiek kunstenaars en historische figuren die via het Getty-systeem zijn gekoppeld. De mechanismen voor het koppelen van andere soorten cultureel erfgoed, zoals plaatsen of objecten, waren in deze specifieke context veel minder actief.

De studie concludeert dat hoewel overeenstemming tussen autoriteitsbestanden waardevol is voor het verbinden van data en het bruikbaar maken ervan, dit niet moet worden verward met onafhankelijke verificatie. In de wereld van digitale bibliotheken is een gekopieerde identificatiecode nog steeds nuttig voor navigatie en ontdekking, maar het biedt niet hetzelfde bewijskracht als een dubbel gecontroleerd feit. Het onderzoek benadrukt dat ontbrekende geschiedenis niet slechts een gat in de documentatie is; het verandert fundamenteel wat we kunnen weten. Zonder een duidelijk verslag van waar een link vandaan komt, kunnen we er niet van uitgaan dat het een frisse bevestiging is.

Dit werk dient als een herinnering aan het feit dat in onze steeds meer verbonden digitale wereld de weg die een stuk informatie aflegt even belangrijk is als de informatie zelf. Net zoals een historicus een feit niet zomaar zou accepteren omdat twee boeken het zeggen, zonder te controleren of het ene boek het andere heeft gekopieerd, moeten digitale systemen rekening houden met de bron van hun verbindingen. De studie suggereert niet dat deze links nutteloos zijn, maar voert aan dat we voorzichtig moeten zijn dat we hetzelfde stuk bewijs niet twee keer meetellen. Door expliciet te modelleren waar data vandaan komt en te erkennen waar het spoor doodloopt, kunnen digitale bibliotheken een eerlijker en betrouwbaarder fundament bouwen voor de toekomst van kennis.