Integracja kartotek haseł wzorcowych nazw osobowych w semantycznej bazie wiedzy Wikidane

Abstract

This article deals with the problem of the presence of personal authority records in a network environment from the point of view of the so-called data network (Web of Data). Its aim is to show – on the example of integration in the Wikidata semantic knowledge base – how these records (the so-called ‘khw’ records) function outside the context of a library catalogue. The purpose of this research has been to specify the scope of the use of library ‘khw’ records as sources of information that allow us to control the forms of personal names in the Wikidata database. For this purpose, the author has analysed the data model in the Wikidata database and identified those metadata elements in it which are responsible for the implementation of the basic functions of personal authority records. Additionally, the author discusses the use of seven ‘khw’ records in the Wikitata database – also with regard to the Polish language Wikipedia

Full text

BIULETYN BIBLIOTEKI JAGIELLOŃSKIEJ
R. LXVII 2017
1 B. T i l l e t, Authority Control. State of the Art and New Perspectives, „Cataloging and Classification
Quarterly” 2004, nr 3–4, p. 24.
2 J. N i u, Evolving Landscape in Name Authority Control, „Cataloging & Classification Quarterly” 2013,
nr 51(4), p. 405.
3 Na przykład stosowanie podpola #0.
MARCIN ROSZKOWSKI
(Wydział Dziennikarstwa, Informacji i Bibliologii, Uniwersytet Warszawski, Warszawa)
INTEGRACJA KARTOTEK
HASEŁ WZORCOWYCH NAZW OSOBOWYCH
W SEMANTYCZNEJ BAZIE WIEDZY WIKIDANE
Tworzenie kartotek haseł wzorcowych (khw) i zarządzanie nimi to jeden z najkosz-
towniejszych procesów w kontekście katalogowania zbiorów bibliotecznych1. Korzyści,
które płyną z ich stosowania, przekładają się na wysoką jakość danych bibliograficz-
nych udostępnianych użytkownikom i instytucjom. Kontrola form językowych haseł re-
prezentujących osoby, instytucje czy pojęcia odnoszących się do treści dokumentów to
dążenie z jednej strony do zapewnienia spójność danych, a z drugiej strony do zapew-
nienia pożądanego poziomu szczegółowości i kompletności wyszukiwania informacji
zawartych w katalogach bibliotecznych i bibliograficznych bazach danych. Podstawo-
wą funkcją kartotek wzorcowych dla haseł formalnych jest więc jednoznaczne rozróż-
nianie (ang. disambiguation) elementów rekordu bibliograficznego poprzez stosowanie
preferowanej nazwy językowej i grupowanie wokół danego hasła (ang. collocation) al-
ternatywnych form językowych2.
Pragmatyka tworzenia kartotek haseł wzorcowych zakłada korzystanie z wiarygod-
nych źródeł informacji w celu utworzenia lub przejęcia form językowych dla haseł. Są to
między innymi encyklopedie ogólne i dziedzinowe, słowniki biograficzne czy też słowni-
ki terminologiczne. Wraz z włączeniem się środowiska World Wide Web do obiegu infor-
macji w nauce również zasoby sieciowe są wykorzystywane jako źródła informacji przy
tworzeniu haseł wzorcowych, co przejawia się zamieszczaniem adresów URL (Uniform
Resource Locator) w rekordach wzorcowych w odpowiednich polach formatu MARC 213.

266
4 T. B e r n e r s - L e e, J. H e n d l e r, O. L a s s i l a, The Semantic Web, „Scientific American” 2001,
nr 248(5), p. 34–43.
5 M. R o s z k o w s k i, Kartoteki nazw osobowych w środowisku sieciowym, „Biuletyn EBIB” 2015,
nr 7, [online] http://open.ebib.pl/ojs/index.php/ebib/article/view/380 [dostęp: 18.09.2016].
6 T. B e r n e r s - L e e, Linked Data – Design Issues, [online] 2006, http://www.w3.org/ DesignIssues/
LinkedData.html [dostęp: 18.09.2016].
Tym samym katalogi biblioteczne oraz khw stają się częścią globalnej sieci powiązań.
Tak rozumiana sieć opiera się przede wszystkim na hiperłączach, które wskazują na re-
lacje między rekordem na przykład khw a źródłem sieciowym w ramach semantyki for-
matu MARC 21, czyli w ramach znaczenia danego pola, w którym użyto odnośnika URL.
Taka interpretacja relacji hipertekstowych jest podstawą idei World Wide Web, czyli sie-
ci dokumentów. Obecność khw w środowisku sieciowym oznacza więc z jednej strony
dostępność dla użytkowników za pośrednictwem przeglądarek internetowych, a z dru-
giej realizowanie założeń WWW w postaci korzystania z hiperłączy do zewnętrznych
źródeł informacji. Warto też zadać pytanie, w jaki sposób biblioteczne kartoteki haseł
wzorcowych są wykorzystywane poza kontekstem katalogu bibliotecznego oraz jaką
funkcję pełnią w takich sytuacjach.
Przedmiotem artykułu jest zagadnienie wykorzystania bibliotecznych kartotek ha-
seł wzorcowych w środowisku sieciowym poza kontekstem katalogu bibliotecznego w tak
zwanych semantycznych bazach wiedzy. Rozważania te przedstawiono na przykładzie
integracji wybranych khw dla nazw osobowych w serwisie Wikidane, który spełnia wy-
mogi definicyjne semantycznej bazy wiedzy. Z metodologicznego punktu widzenia w ar-
tykule opracowano charakterystykę modelu danych serwisu Wikidane, w którym ziden-
tyfikowano elementy metadanych odpowiedzialne za realizację podstawowych funkcji
kartotek haseł wzorcowych. W dalszej części przeprowadzono ilościową analizę wyko-
rzystania siedmiu khw w bazie wiedzy Wikidane z uwzględnieniem polskojęzycznej Wi-
kipedii.
Rozwój środowiska sieciowego zmierza w kierunku tak zwanej sieci danych (ang.
Web of Data), gdzie relacje między jej zasobami są na jeszcze niższym poziomie niż
<dokument>-<dokument>. Idea Sieci Semantycznej (ang. Semantic Web) opiera się na
udostępnianiu zasobów informacji, które opisane są za pomocą formalnych języków re-
prezentacji wiedzy wykorzystujących standardy sieciowe, oraz na ustanawianiu relacji
(również formalnie specyfikowanych) pomiędzy elementami strukturalnymi tych zbio-
rów. Wizja Sieci Semantycznej Tima Bernersa-Lee4 jest obecnie realizowana w postaci
ruchu Linked Data. „Jest to model publikowania danych w środowisku sieciowym, w któ-
rym wykorzystuje się określone standardy sieciowe i którego podstawą jest ustanawia-
nie relacji między opisywanymi dokumentami, osobami, pojęciami, wydarzeniami itd.
w celu optymalizacji procesów wyszukiwania i automatycznej eksploracji informacji”5.
Główne założenia tej metodyki sprowadzają się do czterech wytycznych, odnoszących
się do sposobu reprezentacji i publikowania danych w środowisku sieciowym6, a miano-
wicie:

267
1. Stosowanie standardu URI (ang. Uniform Resource Identifier) jako sposobu od-
woływania się do elementów danych.
2. Wykorzystanie protokołu HTTP (ang. Hypertext Transfer Protocol) jako kanału
komunikacji i przesyłania danych.
3. Reprezentacja danych z wykorzystaniem schematów metadanych i ontologii w for-
matach opartych na specyfikacji RDF (ang. Resource Description Framework).
4. Ustanawianie relacji między elementami danych wewnątrz danej bazy oraz z ze-
wnętrznymi źródłami informacji przy wykorzystaniu mechanizmu identyfikacji
URI.
Stosowanie identyfikatorów sieciowych w standardzie URI zapewnia stabilny sys-
tem odwoływania się do opisywanych obiektów w środowisku sieciowym. Protokół HTTP
to standaryzowany kanał komunikacji, a RDF określa zasady reprezentacji informacji.
Kluczowe znaczenie dla stabilności odwołań w środowisku sieciowym ma stoso-
wanie tak zwanych stałych identyfikatorów (ang. persistent identifier), których format
zapisu jest zgodny ze standardem URI. Poprzez termin ten rozumie się zapis jednoznacz-
nie identyfikujący zasób cyfrowy (na przykład dokument, obiekt lub rekord bibliogra-
ficzny), który to zapis może być długoterminowo wykorzystywany na potrzeby wyszu-
kiwania informacji. Nawet jeśli zasób zmieni swoją fizyczną lokalizację, jego identyfi-
kator pozostanie niezmieniony, a mechanizm jego interpretacji zapewni odpowiednie
przekierowanie i dostęp do treści, które reprezentuje7. Istotna jest tutaj tak zwana siecio-
wa transferowalność, to znaczy możliwość wywołania danego identyfikatora w środo-
wisku sieciowym i uzyskania informacji na temat danego zasobu cyfrowego zapisanych
w rekordzie jego identyfikatora. Oznacza to również zapewnienie odpowiedniej infra-
struktury, pozwalającej uzyskać dane w formacie pożądanym przez osobę lub aplikację
kontaktującą się z serwerem, do którego przekierowuje określony identyfikator (tzw.
content negotiation). Przykładem stałych identyfikatorów jest system DOI (ang. Digital
Object Identifier) oraz PURL (ang. Persistent URL). W przypadku DOI drugi warunek
w odniesieniu do stałych identyfikatorów, czyli transferowalność sieciową warto zilu-
strować przykładem. W czasopiśmie „Toruńskie Studia Bibliologiczne” wszystkie arty-
kuły otrzymują unikatowy identyfikator DOI. Na przykład tekst zatytułowany Początki
bibliografii lokalnej w Polsce. Józef Ignacy Kraszewski i jego bibliografia druków wileń-
skich8, opublikowany w R. 8, nr 2 (15), ma identyfikator DOI: 10.12775/TSB.2015.017.
Stabilność tego identyfikatora jest zapewniona dzięki temu, że bazą DOI zarządza sze-
reg agencji rejestrujących (DOI Registration Agency). W takiej postaci DOI nie jest jed-
nak identyfikatorem sieciowym, jest on rozpoznawany tylko w bazach rejestrujących te
identyfikatory9. Dopiero jego postać URI – http://dx.doi.org/10.12775/TSB.2015.017 za-
pewnia jego transferowalność w środowisku WWW. Oznacza to, że istnieje pewien me-
7 Zob. National Bibliographies in the Digital Age. Guidance and New Directions, red. M. Z u m e r,
München 2009.
8 Zob. [online] http://apcz.pl/czasopisma/index.php/TSB/article/view/TSB.2015.017 [dostęp: 2.11.2017].
9 Na przykład [online] https://dx.doi.org/ [dostęp: 2.11.2017].

268
10 Zob. [online] http://www.wikidata.org [dostęp: 2.11.2017].
chanizm interpretujący ten adres (ang. link resolver), który po jego wywołaniu w sieci
powoduje przekierowanie do lokalizacji publikacji na stronie WWW czasopisma, czyli
pod jej adres URL.
RDF jest standardem reprezentacji wiedzy, który jest oficjalną rekomendacją Kon-
sorcjum World Wide Web. Jest to deklaratywny model reprezentacji wiedzy, który opie-
ra się na tak zwanych trójkach RDF, pełniących funkcję elementarnych jednostek wypo-
wiedzi w tym języku. Trójka RDF zbudowana jest z przedmiotu, który jest opisywany,
predykatu wskazującego na opisywany atrybut lub relację oraz obiektu zawierającego
wartość opisywanej cechy, na przykład:
obiekt1 → nazwisko_i_imię → Adam Mickiewicz
Oprócz formalnej składni RDF zakłada odwoływanie się do każdego elementu trój-
ki za pośrednictwem URI. W tym celu dla identyfikacji obiektu stosuje się stałe identy-
fikatory URI w danej bazie, dla predykatu – URI ze stosowanego schematu metadanych
(na przykład Dublin Core Metadata Element Set), a dla wartości – zależnie od sytuacji
ciąg znaków lub URI dla obiektu, na przykład:
http://viaf.org/viaf/64009368/ → http://schema.org/name → Adam Mickiewicz
Zastosowanie stałych identyfikatorów w postaci URI oraz formalnie specyfikowa-
nego schematu metadanych (lub ontologii) w ramach modelu RDF pozwala na reprezen-
tację informacji na poziomie faktów, składających się na opis kolekcji. Dzięki zastoso-
wanym mechanizmom przetwarzania (na przykład automatycznego wnioskowania) two-
rzą one tak zwany graf wiedzy lub semantyczną bazę wiedzy. Mamy bowiem do czynie-
nia z pewnym formalnym modelem fragmentu rzeczywistości, który reprezentuje schemat
metadanych lub ontologia, zbiorem obiektów składających się na fragment rzeczywisto-
ści (na przykład dokumenty, osoby, miejsca, pojęcia) oraz zestawem reguł wnioskowa-
nia zależności między nimi oraz nowych faktów na podstawie danych już istniejących.
W tak naszkicowanej perspektywie interpretacja kartoteki haseł wzorcowych jako
semantycznej bazy wiedzy zakłada konieczność opisu jej zawartości za pomocą schema-
tu metadanych lub ontologii w ramach składni formalnych języków reprezentacji wie-
dzy (na przykład RDF) oraz odwoływanie się do elementów metadanych za pośrednic-
twem ich unikatowych identyfikatorów w postaci URI.
Ostatni punkt metodyki Linked Data zakłada odwoływanie się do zewnętrznych baz
wiedzy poprzez ustanawianie relacji między obiektami (w ramach składni RDF i za po-
średnictwem URI), które mogą być pożądane w celu dalszej eksploracji informacji.
OD SIECI DOKUMENTÓW DO SIECI DANYCH – WIKIDANE
Wikidane10 to społecznościowa baza wiedzy i centralna platforma zarządzania da-
nymi na potrzeby Wikipedii i jej projektów siostrzanych (na przykład Wikiźródła i Wi-

269
11 F. E r x l e b e n, M. G ü n t h e r, M. K r ö t z s c h, J, M e n d e z, D. V r a n d e č i ć, Introducing
Wikidata to the Linked Data Web, [w:] The Semantic Web – ISWC 2014. 13th International Semantic Web
Conference, Riva del Garda, Italy, October 19–23, 2014. Proceedings, Part 1, red. P. M i k a et al., Berlin
2014, s. 50–65.
12 Zob. [online] http://wikimedia.org [dostęp: 2.11.2017].
13 Tamże.
14 Na przykład lista osób, które urodziły się w 1952 roku – [online] https://pl.wikipedia.org/wiki/Kate-
goria:Urodzeni_w_1952 [dostęp: 2.11.2017]; lista filmów, które są pełnometrażowymi debiutami reżyserów
– [online] https://pl.wikipedia.org/wiki/Kategoria:Pe%C5%82nometra%C5%BCowe_debiuty_re%C5%
BCyser%C3%B3w [dostęp: 2.11.2017].
15 D. V r a n d e č i ć, M. K r ö t z s c h, Wikidata. A Free Collaborative Knowledgebase, „Communica-
tions of the ACM” 2014, nr 57(10), p. 78–85.
16 Tamże, p. 78–79.
kicytaty)11. U podstaw tego projektu leży założenie ruchu Wikimedia12 – „Wyobraź sobie
świat, w którym każda osoba ma dostęp do sumy ludzkiej wiedzy”13 oraz jego interpre-
tacja w kontekście rozwoju tak zwanych sieci danych (ang. Web of Data). W takim uję-
ciu Wikipedia powinna być traktowana również jako baza danych, która pozwala na do-
stęp zarówno użytkownikom, jak i aplikacjom oraz zapewnia jednocześnie spójny me-
chanizm wyszukiwania informacji i ponownego użycia zebranych danych. Obecnie Wi-
kipedia to ponad 30 milionów artykułów w 287 językach, z których ekstrakcja danych
jest nie lada wyzwaniem. Sam proces wyszukiwania informacji w Wikipedii najczęściej
ogranicza się do odnalezienia hasła encyklopedycznego. Natomiast bardziej złożone za-
pytania muszą być realizowane poprzez manualne przeglądanie zawartości haseł ency-
klopedycznych albo dzięki specjalnym kategoriom w Wikipedii, które agregują informa-
cje z wielu haseł14. Dodatkowym ograniczeniem jest fakt, że informacje w Wikipedii są
rozproszone na stronach w różnych jej wersjach językowych. Celem projektu Wikidane
było więc z jednej strony zapewnienie nowego sposobu zarządzania danymi w Wikipedii,
a z drugiej udostępnienie mechanizmów do ich wyszukiwania i dalszego przetwarzania.
Projekt jest koordynowany przez Wikimedia i uruchomiono go w 2012 roku. Pierw-
szy etap polegał na centralizacji wersji językowych Wikipedii, które za pośrednictwem
repozytorium danych Wikidane zagregowałoby te informacje. Dla każdego unikatowe-
go hasła w Wikipedii utworzono obiekt (ang. item) i opracowano dla którego rekord za-
wierający informacje o artykułach w poszczególnych wersjach językowych w Wikipe-
dii. W marcu 2012 roku wszystkie wersje językowe Wikipedii zostały zarejestrowane
w bazie Wikidane. Na początku 2013 roku rozpoczął się drugi etap projektu, który pole-
gał na ekstrakcji informacji ze stron zawierających hasła Wikipedii i zapisaniu ich zgod-
nie z przyjętym modelem i formatem danych (miedzy innymi RDF) w bazie Wikidane.
Przedmiotem transformacji były informacje ustrukturyzowane, to znaczy treści zapisy-
wane w szablonie Infoboks, który w interfejsie graficznym Wikipedii jest prezentowany
w prawym panelu15. Obecnie baza Wikidane jest na bieżąco aktualizowana, udostępnio-
no również mechanizm wyszukiwania i pobierania danych.
Projekt Wikidane charakteryzuje się kilkoma istotnymi cechami16:

270
17 Stan na 14.09.2016 roku na podstawie https://www.wikidata.org/wiki/Wikidata:Statistics/pl.
18 Obiekt Warszawa jest identyfikowany za pomocą URI w postaci http://www.wikidata.org/entity/Q270.
Jeżeli z bazą kontaktuje się użytkownik za pośrednictwem przeglądarki zostanie on automatycznie przekiero-
wany pod adres https://www.wikidata.org/wiki/Q270, gdzie informacje są wyświetlane w trybie graficznym.
1. Otwarta edycja: tak samo jak w Wikipedii baza Wikidane jest otwarta na edycję
i dodawanie nowych informacji przez użytkowników.
2. Kontrola społeczności: zarówno dane, jak i sam schemat metadanych jest wyni-
kiem współpracy użytkowników serwisu.
3. Pluralizm: serwis zezwala na współistnienie sprzecznych danych i zapewnia me-
chanizm organizacji tych informacji.
4. Źródła informacji: baza zapewnia możliwość dodawania źródeł informacji, z któ-
rych przejęto dane.
5. Wielojęzyczność: baza Wikidane oferuje odpowiedniki w wielu językach zarów-
no dla atrybutów, jak i wartości danych. O ile w przypadku Wikipedii mamy do czynie-
nia z wieloma jej wersjami językowymi, to w przypadku Wikidane istnieje jedna wspól-
na baza danych.
6. Łatwy dostęp: Serwis Wikidane zapewnia dostęp do swoich zasobów zarówno
za pośrednictwem interfejsu graficznego użytkownika, jak również interfejsów progra-
mistycznych (API, SPARQL endpoint), które pozwalają na wyszukiwanie i pobieranie
danych w wielu formatach (na przykład RDF). Dodatkowo regularnie publikowane są
kopie bazy danych w postaci plików do pobrania.
7. Permanentna ewolucja: baza danych jest na bieżąco aktualizowana dzięki pracy
wikipedystów, użytkowników serwisu Wikidane oraz programistów. Większość rozwią-
zań technicznych jest wdrażana stopniowo tak szybko, jak jest to możliwe.
Obecnie baza Wikidane rejestruje informacje o 20 075 34817 obiektach, z czego po-
nad 3 miliony to hasła osobowe.
WIKIDANE – MODEL DANYCH
Z punktu widzenia modelu danych Wikidane opierają się na reprezentacji informacji
na temat obiektów z wykorzystaniem par: atrybut – wartość. Zarówno obiekty, jak i atry-
buty są identyfikowane za pomocą formalnych wykładników w postaci stałych identyfi-
katorów zgodnych ze standardem URI. Identyfikatory obiektów posiadają przedrostek Q,
zaś identyfikatory atrybutów przedrostek P, na przykład obiekt Warszawa posiada identy-
fikator Q270, a atrybut populacja P1082. Z punktu widzenia organizacji samego serwisu
WWW Wikidane (tak jak Wikipedia) są zbudowane z systemu stron internetowych, które
zawierają informacje w postaci ustrukturyzowanej. Dla każdego obiektu w bazie Wikida-
ne istnieje strona internetowa, której adres URL zawiera jego formalny identyfikator (na
przykład dla obiektu Q270 będzie to https://www.wikidata.org/wiki/Q270), która prezen-
tuje informacje jego na temat18.

271
19 F. E r x l e b e n, M. G ü n t h e r, M. K r ö t z s c h, J. M e n d e z, D. V r a n d e č i ć, dz. cyt., s. 53.
20 Zob. https://www.wikidata.org/wiki/Q64.
Strona dla obiektu zawiera informacje zorganizowane w kilku sekcjach. Są to19:
1. Nazwa obiektu: na przykład Warszawa,
2. Krótka charakterystyka: na przykład stolica i największe miasto Polski,
3. Inne formy nazwy (tak zwany alias): na przykład Warsaw, Warschau
4. Lista deklaracji na temat obiektu (dane ustrukturyzowane): na przykład
– typ (P31) – miasto (Q515);
– współrzędne geograficzne (P625) – 52°13’N, 21°2’E;
– stolica dla (P1376) – Polska (Q36);
– populacja (P1082) – 1 735 442.
5. Lista linków zewnętrznych (na przykład hasła encyklopedyczne w poszczególnych
wersjach językowych Wikipedii): na przykład
– pl.wikipedia.org - https://pl.wikipedia.org/wiki/Warszawa;
– de.wikipedia.org - https://de.wikipedia.org/wiki/Warschau;
– pl.wikinews.org - https://pl.wikinews.org/wiki/Kategoria:Warszawa.
Taka sama sytuacja ma miejsce w odniesieniu do informacji na temat atrybutów.
W tym przypadku prezentowana jest jednak charakterystyka samego atrybutu (na przy-
kład nazwa, atrybut nadrzędny), nie zaś obiekty, które zostały opisane za jego pomocą.
Każde wystąpienie pary atrybut–wartość w odniesieniu do danego obiektu ma formę de-
klaracji (ang. statement), w skład której może wchodzić dodatkowo kwalifikator atrybu-
tu (uszczegółowienie opisywanej własności) oraz informacja o źródle przejęcia danych
(rys. 1). Tym samym istnieje możliwość reprezentacji informacji o charakterze zmien-
nym, na przykład populacji Warszawy w odniesieniu do danego roku z podaniem źródła
przejęcia tych danych. Taka sytuacja ma miejsce przykładowo dla rekordu na temat Ber-
lina (Q64)20, gdzie informacje na temat populacji sięgają XIII wieku.
Rysunek 1. Model danych w Wikidane. Źródło: https://pl.wikipedia.org/wiki/Wikidane
Wartości dla atrybutów są formalnie specyfikowane, to znaczy model danych za-
kłada, że może to być miedzy innymi ciąg znaków, współrzędne geograficzne, jednostki

272
miar i wag czy też adresy URL obiektów zarówno wewnątrz bazy, jak i do zewnętrznych
źródeł informacji (na przykład atrybut stolica dla (P1376) odsyła w przykładzie do obiek-
tu Polska (Q36) z bazy wiedzy Wikidane).
Wikidane centralizuje proces zarządzania danymi w Wikipedii rozumianej jako kon-
glomerat jej wersji językowych. Agregacja danych z tych źródeł powoduje, że mamy do-
stęp do rożnych punktów widzenia na temat elementów rzeczywistości opisanych w kra-
jowych Wikipediach. Przekłada się to na możliwość współistnienia również sprzecznych
deklaracji, opisujących dane obiekty dzięki zapewnieniu mechanizmu identyfikacji źró-
dła pochodzenia danych (ang. provenance). Wikidane czerpią również informacje z ze-
wnętrznych źródeł. Założeniem projektu jest więc sytuacja, w której dla każdego faktu
opisanego w bazie istnieje źródło jego pochodzenia, czy to w postaci wskazania na arty-
kuł w danej wersji językowej Wikipedii, czy też poprzez odesłanie do zewnętrznej bazy
danych. Należą do nich między innymi dokumenty, bazy danych statystycznych, bazy da-
nych rządowych, kartoteki haseł wzorcowych, bazy bibliograficzne. Informacje o źródle
pochodzenia danych zamieszcza się w bazie Wikidane za pomocą kwalifikatora uszcze-
gółowiającego charakter źródła cytowanego. Służy do tego zestaw atrybutów, które zgru-
powano pod nazwą „własność wskazująca źródła” (Q18608359) (Tab.1)
Tabela 1. Własność wskazująca źródła
Identyfikator Nazwa Alias w języku. polskim
http://www.wikidata.org/entity/P1343 described by source opisano w źródle
http://www.wikidata.org/entity/P887 based on heuristic oparty na heurystyce
http://www.wikidata.org/entity/P813 retrieved data dostępu
http://www.wikidata.org/entity/P854 reference URL URL źródła
http://www.wikidata.org/entity/P1683 quote cytat
http://www.wikidata.org/entity/P143 imported from pobrano z
http://www.wikidata.org/entity/P248 stated in źródło
http://www.wikidata.org/entity/P1480 sourcing circumstances status w źródle
KARTOTEKI HASEŁ WZORCOWYCH W WIKIPEDII
Koncepcja identyfikacji przedmiotów artykułów w Wikipedii za pośrednictwem
między innymi kartotek haseł wzorcowych jest realizowana za pomocą szablonu o do-
syć niefortunnej nazwy Kontrola autorytatywna (ang. authority control), którego zawar-
tość jest widoczna w dolnej części strony zawierającej treść hasła encyklopedycznego.
Za pomocą tego modułu użytkownicy Wikipedii mogą umieszczać w artykule dodatko-
we identyfikatory dla hasła w Wikipedii, które przekierowują do kartotek haseł wzoro-
wych lub rekordów bibliograficznych w katalogach bibliotecznych. Celem wprowadze-

273
nia tej funkcjonalności w Wikipedii było z jednej strony zapewnienie dodatkowej formy
rozróżniania i identyfikacji nazw homonimicznych, co w nomenklaturze Wikipedii na-
zywa się „ujednoznacznianiem”, a z drugiej strony stanowiło świadome wykorzystanie
dorobku bibliotek w zakresie tworzenia kartotek haseł wzorcowych na potrzeby środo-
wiska sieciowego. Ustanawianie powiązań między Wikipedią a kartotekami haseł wzor-
cowych oraz katalogami bibliotecznymi w założeniu miało również dać podstawę pro-
gramistom związanym z ruchem Wikimedia, jak i środowiskiem bibliotecznym, do two-
rzenia nowych narzędzi, wykorzystujących potencjał zarówno Wikipedii, jak i zasobów
bibliotecznych21.
Moduł Kontrola autorytatywna pozwala obecnie na manualne umieszczanie iden-
tyfikatorów dla haseł w Wikipedii, pochodzących z 34 zewnętrznych źródeł w postaci
kartotek haseł wzorcowych oraz katalogów bibliotecznych. Są to między innymi:
– VIAF – Wirtualna Międzynarodowa Kartoteka Haseł Wzorcowych,
– LCCN – Numer Kontrolny Biblioteki Kongresu,
– ISNI – International Standard Name Identifier,
– ORCID – identyfikator ORCID,
– GND – kartoteka haseł wzorcowych Biblioteki Narodowej Niemiec (Gemeinsame
Normdatei),
– SELIBR – kartoteka haseł wzorcowych szwedzkiego katalogu rozproszonego
LIBRIS,
– BNF – kartoteka haseł wzorcowych Biblioteki Narodowej Francji,
– ULAN – kartoteka haseł osobowych (Union List of Artist Names Getty Research
Institute).
– WORLDCATID – identyfikator z katalogu WorldCat.
Z formalnego punktu widzenia polega to na wykorzystaniu odpowiedniej składni
języka formatowania tekstu w artykułach (MediaWiki Markup Language), za pomocą któ-
rej wskazuje się na skrót nazwy źródła danych oraz podaje się identyfikator występują-
cego tam hasła. Mechanizm zaimplementowany w module wyświetla te dane jako hiper-
łącza do bezpośredniej lokalizacji hasła w danej kartotece. Na przykład zawartość mo-
dułu dla hasła w Wikipedii John Flanagan (pisarz)22 zawiera między innymi:
{{Kontrola autorytatywna |ISNI=0000 0001 1450 7820 |VIAF=85841451
|LCCN=n2009049211 |GND=132422573 BNF=155306391|SUDOC=150411979 … }}
co w efekcie prowadzi do wyświetlenia w dolnej części strony wersji z hiperłączami:
Rysunek 2. Moduł kontroli autorytatywnej w Wikipedii.
21 https://en.wikipedia.org/wiki/Wikipedia:Authority_control.
22 https://pl.wikipedia.org/wiki/John_Flanagan_(pisarz).

274
W 2012 roku z inicjatywy wikipedystów zatrudnionych w OCLC i Biritsh Library
(Wikipedian in Residence) uruchomiono projekt automatycznej identyfikacji haseł osobo-
wych w Wikipedii, w bazie VIAF. W efekcie powstało oprogramowanie VIAFbot23, które
na podstawie zastosowanych algorytmów mapowania umieściło identyfikatory VIAF dla
ponad 250 tysięcy haseł osobowych w anglojęzycznej Wikipedii. Proces ten został prze-
prowadzony również dla niemieckojęzycznej Wikipedii z uwzględnieniem identyfikato-
rów GND. Efektywność zastosowanego algorytmu była dosyć wysoka. Odnotowane błę-
dy stanowiły około 10–15% przypadków. Uruchomiono również osobną stronę w Wikipe-
dii, na której użytkownicy mogą zgłaszać dostrzeżone nieprawidłowości24.
Dzięki integracji Wikipedii z bazą wiedzy Wikidane cały proces wypełniania tre-
ścią modułu Kontrola autorytatywna jest zautomatyzowany. Z punktu widzenia wikipe-
dysty sprowadza się on wyłącznie do uruchomienia modułu25 w artykule encyklopedycz-
nym, a jego zawartość (czyli identyfikatory) jest generowana na podstawie zasobów bazy
Wikidane.
KONTROLA DANYCH W BAZIE WIKIDANE
Model Wikidane zakłada ustanawianie powiązań między obiektami tworzącymi
bazę wiedzy a zewnętrznymi źródłami informacyjnymi, których celem jest szeroko po-
jęta normalizacja ich nazw. W tym celu w schemacie metadanych wyodrębniono klasę
Q18614948 o nazwie Właściwość w Wikidanych do kontroli autorytatywnej (ang. Wiki-
data property for authority control). Jej celem jest zgrupowanie własności, które mają
służyć do specyfikowania relacji między obiektem w bazie Wikidane a jego odpowied-
nikiem, między innymi w kartotekach haseł wzorcowych, katalogach bibliotecznych,
dziedzinowych bazach danych oraz dokumentach normalizacyjnych. W ramach tej klasy
wyodrębniono dodatkowych 10 podklas (Tab. 2) w celu uporządkowania źródeł infor-
macji pełniących funkcję punktu odniesienia w procesie kontroli danych.
Tabela 2. Specyfikacja klasy Właściwość w Wikidanych do kontroli autorytatywnej
(Q18614948)
Identyfikator Nazwa Alias w języku polskim Liczba
źródeł
wd:Q18614948 Wikidata property for authority
control
Właściwość w Wikidanych do kontroli
autorytatywnej 148
wd:Q18618628 Wikidata property for cultural
heritage identification
Właściwość w Wikidanych do identyfi-
kacji dziedzictwa kulturowego 62
23 A. K y r i o s, VIAFbot and the Integration of Library Data on Wikipedia, [online] „Code4Lib Jour-
nal”, 2013, nr 22, http: journal.code4lib.org/articles/8964, [dostęp: 19.09.2016].
24 Zob. https://en.wikipedia.org/wiki/Wikipedia:VIAF/errors.
25 Polega to na edycji strony dla danego hasła encyklopedycznego i umieszczeniu w dolnej jej części de-
klaracji {{Kontrola autorytatywna}} o pustej treści.

275
wd:Q19595382 Wikidata property for authority
control for people
Właściwość w Wikidanych do kontroli
autorytatywnej osób 324
wd:Q19829908 Wikidata property for authority
control for places
Właściwość w Wikidanych do kontroli
autorytatywnej miejsc 119
wd:Q19833377 Wikidata property for authority
control for works
Właściwość w Wikidanych do kontroli
autorytatywnej prac twórczych 132
wd:Q19833835 Wikidata property for authority
control for substances
Właściwość w Wikidanych do kontroli
autorytatywnej substancji 38
wd:Q21745557 Wikidata property for authority
control for organisations
Właściwość w Wikidanych do kontroli
autorytatywnej organizacji 56
wd:Q22964274 Wikidata property for identifica-
tion in the film industry
Właściwość w Wikidanych do identyfi-
kacji w przemyśle filmowym 41
wd:Q24075706
Wikidata property for authority
control, with reciprocal use
of Wikidata
Właściwość w Wikidanych do kontroli
autorytatywnej z wzajemnym
wykorzystaniem Wikidanych
15
wd:Q24575337 Wikidata property for authority
control for events
Właściwość w Wikidanych do kontroli
autorytatywnej wydarzeń 4
wd:Q26696664 Wikidata property for identifiers
in product and service registers
Właściwości w Wikidanych do kontroli
autorytatywnej produktów i usług 1
W bazie Wikidane stosuje się łącznie 940 źródeł informacji, pełniących funkcję
kartotek wzorcowych. Źródła danych obejmujące różne kategorie haseł (148) zgrupowa-
no w klasie Q18614948. Pozostałe kartoteki i bazy danych przyporządkowano do klas
reprezentujących poszczególne kategorie haseł. Z danych przedstawionych w Tab. 1
wynika, że najwięcej źródeł informacji w celu szeroko rozumianej kontroli haseł odnosi
się do nazw osobowych (34%), wytworów aktywności intelektualnej i artystycznej, czy-
li dzieł (14%), oraz nazw miejscowych (12%). Wśród kartotek o charakterze ogólnym,
które zawierają hasła osobowe znalazły się kartoteki haseł wzorcowych bibliotek naro-
dowych, na przykład:
– identyfikator Bnf ID: Biblioteki Narodowej Francji (http://www.wikidata.org/en-
tity/P268);
– identyfikator GND ID: Gemeinsame Normdatei Biblioteki Narodowej Niemiec
(http://www.wikidata.org/entity/P227);
– identyfikator BNE ID: Biblioteki Narodowej Hiszpanii (http://www.wikidata.org/
entity/P950);
– identyfikator LC ID: kartoteki Biblioteki Kongresu Library of Congress Name
Authority File (http://www.wikidata.org/entity/P244).
W rekordach haseł osobowych bazy Wikidane, i tym samym Wikipedii, wykorzy-
stuje się również identyfikator ISNI – International Standard Name Identifier (http://
www.wikidata.org/entity/P213) oraz VIAF (http://www.wikidata.org/entity/P214).

276
WYBRANE KARTOTEKI HASEŁ WZORCOWYCH
DLA NAZW OSOBOWYCH W BAZIE WIKIDANE
Celem badania było uzyskanie odpowiedzi na pytanie o zakres wykorzystania wy-
branych kartotek haseł wzorcowych dla nazw osobowych w bazie Wikidane. Jako przed-
miot badań wybrano następujące khw:
– kartoteka VIAF (VIAF ID),
– kartoteka haseł wzorcowych Biblioteki Kongresu (LCNAF ID),
– kartoteka Gemeinsame Normdatei Biblioteki Narodowej Niemiec (GND ID),
– kartoteka haseł wzorcowych Biblioteki Narodowej Francji (BnF ID),
– kartoteka haseł wzorcowych Biblioteki Narodowej Hiszpanii (BNE ID),
– kartoteka haseł wzorcowych NUKAT (NUKAT ID),
– kartoteka haseł wzorcowych Biblioteki Narodowej (NLP ID).
Celem badania była identyfikacja rekordów haseł osobowych w bazie Wikidane,
w których występują identyfikatory z wyżej wymienionych kartotek haseł wzorcowych.
Dla każdego hasła odnotowano również jego obecność polskojęzycznej wersji Wikipe-
dii. W celu pozyskania danych wykorzystano interfejs programistyczny Wikidanych
w postaci protokółu SPARQL Endpoint (https://query.wikidata.org/). Ten rodzaj trybu
dostępu do semantycznych baz wiedzy polega na samodzielnej konstrukcji zapytania
w języku SPARQL. Badania przeprowadzono 12.09.2016 roku.
Baza Wikidane zawiera informacje na temat 3 247 156 osób. Informację tę uzyska-
no, zliczając elementy bazy wiedzy, które w rekordach metadanych posiadają zapis jest
instancją klasy człowiek, czyli posiadają atrybut P31 (jest instancją – ang. instance of)
o wartości Q5 (człowiek – ang. human).
W tabeli 3 przedstawiono rozkład ilościowy haseł osobowych w bazie Wikidane za-
wierających identyfikatory kartotek haseł wzorcowych wykorzystane w badaniu. Średnio
co czwarte hasło osobowe zawiera identyfikator VIAF. Udział pozostałych kartotek z wy-
jątkiem NUKAT oscyluje w granicach 10%. W przypadku khw NUKAT i Biblioteki Naro-
dowej, kwestia implementacji w Wikidanych jest bardziej złożona i wymaga komentarza.
Tabela 3. Zakres wykorzystania kartotek haseł wzorcowych w hasłach osobowych
w bazie Wikidane
Khw Identyfikator khw Hasła osobowe
z identyfikatorem khw
Hasła osobowe
z identyfikatorem khw (%)
VIAF P214 839515 25,9
LC ID P244 308123 9,5
GND ID P227 349911 10,8
BnF ID P268 292071 9,0
BNE ID P950 30202 0,9
NUKAT ID P1207 21657 0,7
NLP ID P1695 7460 0,2

277
Biblioteczne kartoteki haseł wzorcowych, które występują w bazie Wikidane jako
źródła informacji w procesie ujednoznaczniania nazw, są wykorzystywane do tego pro-
cesu poprzez ustanawianie formalnych powiązań między opisywanym rekordem a re-
kordem odpowiedniego hasła wzorcowego. Relacja ta wiąże obiekt w bazie Wikidane
z obiektem khw za pośrednictwem ich unikatowych identyfikatorów. O ile baza Wikida-
ne zapewnia ujednolicony system stałych identyfikatorów za pomocą standardu URI, to
nie wszystkie biblioteczne khw oferują taki tryb dostępu do swoich zasobów. W grupie
khw, które były przedmiotem badania, taka sytuacja występuje w odniesieniu do khw
NUKAT. W tym przypadku rekordy wzorcowe w bazie NUKAT posiadają dane identy-
fikujące w postaci numeru systemowego rekordu (pole 001 MARC 21) oraz numeru kon-
trolnego rekordu (pole 010 MARC 21). Na przykład rekord wzorcowy dla hasła osobo-
wego Miłosz, Czesław (1911–2004) w bazie NUKAT zawiera pola:
01 vtls002124179,
010 $a n93126971.
Z punktu widzenia obecności khw NUKAT w środowisku sieciowym, wspomniany
rekord wzorcowy dostępny jest pod adresem http://katalog.nukat.edu.pl/lib/authority-
?id=875823. Jest to identyfikator w postaci adresu URL, który nie tyle lokalizuje rekord
(zasób informacyjny) w strukturze plików na serwerze, co zawiera formalnie wyrażone za-
pytanie o wyświetlenie rekordu wzorcowego o identyfikatorze 875823. W bazie Wikidane
rekord dla tego hasła (Q45970) w polu identyfikator NUKAT zawiera zapis: n93126971,
co przekierowuje pod adres: http://viaf.org/processed/NUKAT|n93126971. Sytuacja ta
wynika z faktu, że NUKAT współpracuje z VIAF w zakresie tworzenia tej międzynaro-
dowej kartoteki haseł wzorcowych i informacja o rekordach przesłanych przez instytu-
cje współpracujące jest dostępna w tak zwanych klastrach VIAF26. Tym samym integra-
cja NUKAT jako źródła informacji dla haseł w bazie Wikidane odbywa się za pośrednic-
twem VIAF. Taki sposób identyfikacji haseł wzorcowych z bibliotecznych khw w Wiki-
danych dotyczy również na przykład Biblioteki Watykańskiej (BAV ID).
W przypadku wykorzystania w bazie Wikidane na potrzeby identyfikacji nazw oso-
bowych kartoteki haseł wzorcowych Biblioteki Narodowej sytuacja wygląda nieco ina-
czej. W rekordzie w Wikidanych, w polu NLP ID występuje wartość A10856754, która
przekierowuje do Kartoteki Haseł Wzorcowych Formalnych BN pod adres:
http://mak.bn.org.pl/cgi-bin/KHW/makwww.exe?BM=01&IM=03&NU=01&WI=A10856754.
Tutaj w rekordzie wzorcowym, w polu 001 jako numer systemowy występuje wartość
a10856778. Z punktu widzenia identyfikacji hasła osobowego adres ten pełni taką samą
funkcję jak link do rekordu wzorcowego w bazie NUKAT (czyli jest to URL). Chociaż
Biblioteka Narodowa dostarcza rekordy wzorcowe do VIAF, to w tym przypadku jej in-
tegracja z bazą Wikidane odbywa się za pośrednictwem bezpośredniego łącza do strony
internetowej, zawierającej rekord wzorcowy (URL).
26 Zob. M. R o s z k o w s k i, Kartoteka haseł wzorcowych jako usługa sieciowa – automatyczna iden-
tyfikacja nazw osobowych z wykorzystaniem kartoteki VIAF, [w:] Bibliografia – teoria, praktyka, dydakty-
ka, red. J. W o ź n i a k - K a s p e r e k, J. F r a n k e, Warszawa 2016, s. 203–222.

278
Kolejnym etapem badań była próba udzielenia odpowiedzi na pytanie o liczbę ha-
seł osobowych w polskojęzycznej Wikipedii, w których to hasłach występują identyfi-
katory haseł wzorcowych z siedmiu wspomnianych kartotek haseł wzorcowych. Dane
uzyskane za pośrednictwem bazy Wikidane prezentuje tabela 4.
Tabela 4. Hasła osobowe z polskojęzycznej Wikipedii z identyfikatorami khw
Khw Identyfikator khw
Hasła osobowe
w pl.wikipedia.org
z identyfikatorem khw
Hasła osobowe
pl.wikipedia.org
z identyfikatorem khw (%)
VIAF P214 106445 36,1
LC ID P244 58857 20,0
GND ID P227 59904 20,3
BnF ID P268 49370 16,8
BNE ID P950 10366 3,5
NUKAT ID P1207 7300 2,5
NLP ID P1695 2349 0,8
Polskojęzyczna Wikipedia według danych z Wikidane rejestruje 294 627 haseł oso-
bowych. Ponad 36% haseł osobowych posiada identyfikator VIAF, a średnio co piąte
identyfikatory Biblioteki Kongresu i Biblioteki Narodowej Niemiec. Udział khw NU-
KAT i Biblioteki Narodowej jest niewielki. W pierwszym przypadku to nieco ponad 2,5%
haseł, a w drugim poniżej jednego procenta przypadków. Co ciekawe, tylko w 18% przy-
padków są to hasła, które jednocześnie zawierają identyfikatory NUKAT ID i BN ID.
Zastanawiać może również duża dysproporcja między liczbą haseł osobowych
w polskiej Wikipedii, które posiadają identyfikator VIAF oraz liczbą identyfikatorów
NUKAT i BN. Wśród tej puli haseł są na przykład:
– George W. Bush (Q207),
– Benedykt XVI (Q2494),
– Paul Otlet (Q1868),
– Jacques Chirac (Q2105),
– Konrad Adenauer (Q2492).
Warto odnotować, że w rekordach VIAF dla tych haseł są informacje również z NU-
KAT. Jedną z możliwych przyczyn, chociaż raczej o charakterze przypuszczenia, może
być automatyzacja procesu dodawania identyfikatorów przede wszystkim z khw NUKAT
za pośrednictwem bazy VIAF oraz czas, w którym on miał miejsce. Można przypusz-
czać, że w momencie pobierania danych z VIAF w tej bazie nie istniały jeszcze rekordy
przesłane przez NUKAT, stąd brak tych danych w bazie Wikidane.
Z przedstawionych danych badawczych wynika, że największy udział w procesie
kontroli danych dla haseł osobowych w bazie Wikidane ma kartoteka VIAF. Niestety, za-
kres powiązań haseł osobowych z rekordami wzorcowymi obejmuje tylko jedną czwartą

279
bazy Wikidane. W przypadku Polski, czyli udziału NUKAT i Biblioteki Narodowej, za-
kres stosowania tych źródeł jest niewielki. Pomimo udziału tych dwóch ośrodków w pro-
jekcie VIAF pojawia się problem konieczności aktualizacji tych danych.
* * *
Integracja bibliotecznych kartotek haseł wzorcowych w semantycznych bazach da-
nych, czy też szerzej – w projektach realizujących założenia sieci semantycznej, wyma-
ga ich przygotowania pod względem formalnym, to znaczy spełnienia wymogów usługi
sieciowej27 zgodnie z obowiązującymi standardami sieciowymi. Dotyczy to zarówno re-
prezentacji informacji za pomocą formalnie specyfikowanych schematów metadanych,
jak i stosowania stałych identyfikatorów w standardzie URI. Pozwoli to zaistnieć tego
rodzaju wartościowym źródłom informacji, które przez lata prowadzenia przez bibliote-
ki osiągnęły wysoki poziom jakości prezentowanych informacji w środowisku siecio-
wym jako pełnoprawny element tak zwanej sieci danych. Kartoteki haseł wzorcowych
mogą spełnić istotną funkcję w kontekście rozwoju sieci semantycznej. O ile w środo-
wisku sieciowym istnieje wiele schematów metadanych i ontologii o charakterze ogól-
nym albo opracowanych na potrzeby dziedzinowych baz danych, to wydaje się, że to,
czego potrzebuje to środowisko, to wysokiej jakości zbiory słownictwa kontrolowane-
go, które zapewnią pożądany poziom spójności danych.
THE INTEGRATION OF THE PERSONAL AUTHORITY RECORDS
IN THE WIKIDATA SEMANTIC KNOWLEDGE BASE
SUMMARY
This article deals with the problem of the presence of personal authority records in a net-
work environment from the point of view of the so-called data network (Web of Data). Its aim is
to show – on the example of integration in the Wikidata semantic knowledge base – how these
records (the so-called ‘khw’ records) function outside the context of a library catalogue. The pur-
pose of this research has been to specify the scope of the use of library ‘khw’ records as sources
of information that allow us to control the forms of personal names in the Wikidata database. For
this purpose, the author has analysed the data model in the Wikidata database and identified those
metadata elements in it which are responsible for the implementation of the basic functions of
personal authority records. Additionally, the author discusses the use of seven ‘khw’ records in
the Wikitata database – also with regard to the Polish language Wikipedia.
27 Zob. np. M. R o s z k o w s k i, Kartoteka haseł wzorcowych jako usługa sieciowa – automatyczna
identyfikacja nazw osobowych z wykorzystaniem kartoteki VIAF. [w:] Bibliografia – teoria, praktyka, dy-
daktyka, red. J. W o ź n i a k - K a s p e r e k, J. F r a n k e. Warszawa 2016, s. 203–222.

280
SŁOWA KLUCZOWE:
Bazy danych, kartoteki haseł wzorcowych, metadane, Sieć Semantyczna, Wikidane, Wikipedia
KEYWORDS:
Databases, personal authority records, metadata, Semantic Web, Wikidata, Wikipedia