Управление знаниями и формирование связанных данных в Статкомитете СНГ

В данной статье представлены решения, реализованные Статкомитетом СНГ в информационных системах управления знаниями, подготовки связанных данных и «умных» (богатых смыслом, семантикой) метаданных в составе строящегося датахаба СНГ. На основе анализа международного опыта и проведения собственных многолетних исследований была сформулирована цель работы – повышение эффективности и потенциала использования статистических данных за счет обеспечения однозначной содержательной интерпретации данных, в том числе в информационных системах потребителей. Для достижения этой цели авторы предложили новые подходы и технологии к построению системы управления знаниями на базе семантической сети, позволившие связать семантические модели, интерпретируемые машинами, с человекочитаемыми представлениями знаний. Решение задачи систематизации знаний о статистической методологии играет ключевую роль для повышения потенциала использования связанных данных и обеспечения совместной обработки статистических данных. Предложенный методический и технологический подход направлен на формирование контекста предметной области, который используется для разработки связанных данных и генерации «умных» метаданных, а также обеспечивает новые возможности для работы потребителей со статистическими данными и метаданными – их интерпретации, содержательного анализа, сопоставления и совместной обработки. Наряду с описанием рабочего цикла систем в статье проведен содержательный анализ проблем гармонизации статистической терминологии, выявленных в результате практической работы с доменом «Статистика труда». Отдельное внимание уделено роли экспертного сообщества в развитии системы управления знаниями

1. Abgaz Y. et al. Towards a Comprehensive Assessment of the Quality and Richness of the European a Metadata of Food-Related Images. 2020. 1st International Workshop on Artificial Intelligence for Historical Image Enrichment and Access (AI4HI-2020). Paris: ELRA. 2020. P. 29–33. doi: https://doi.org/10.13140/RG.2.2.29753.39521.

2. Stahl R., Staab P. History of SDMX. Measuring the Data Universe. Data Integration Using Statistical Data and Metadata Exchange. Springer Cham. 2018. P. 73–83. doi: https://doi.org/10.1007/978-3-319-76989-9_11.

3. Kalampokis E., Zeginis D., Tarabanis K. On Modeling Linked Open Statistical Data // Journal of Web Semantics. 2019. Vol. 55. P. 56–68. URL: https://www.sciencedirect.com/science/article/pii/S1570826818300544?via%3Dihub.

4. Escobar P. et al. Adding Value to Linked Open Data Using a Multidimensional Model Approach Based on the RDF Data Cube Vocabulary // Computer Standards & Interfaces. 2019. Vol. 68. doi: https://doi.org/10.1016/j.csi.2019.103378.

5. Bizer C., Heath T., Berners-Lee T. Linked Data: The Story So Far // Semantic Services, Interoperability and Web Applications: Emerging Concepts. IGI Global. 2009. P. 205–227. doi: https://doi.org/10.4018/978-1-60960-593-3.

6. Feitosa D. et al. A Systematic Review on the Use of Best Practices for Publishing Linked Data // Online Information Review. 2018. Vol. 19. No. 1. P. 107–123. doi: https://doi.org/10.1108/OIR-11-2016-0322.

7. Akatkin Yu. et al. The Challenges of Linked Open Data Semantic Enrichment, Discovery, and Dissemination // Physics of Particles and Nuclei. Pleiades Publishing. 2024. Vol. 55. P. 538–549. doi: https://doi.org/10.1134/S106377962403002X.

8. Zaveri A. et al. Quality Assessment for Linked Data: A Survey // Semantic Web. 2016. Vol. 7. No. 1. P. 63–93. doi: https://doi.org/10.3233/SW-150175.

9. Wilkinson M. et al. The FAIR Guiding Principles for Scientific Data Management and Stewardship // Scientific Data. 2016. Vol. 3. Article 160018. URL: https://www.nature.com/articles/sdata201618.

10. Amdouni E., Bouazzouni S., Jonquet C. O'FAIRe Makes You an Offer: Metadata-Based Automatic FAIRness Assessment for Ontologies and Semantic Resources // International Journal of Metadata, Semantics and Ontologies. 2022. Vol. 16. Iss. 1. P. 16–46. doi: https://doi.org/10.1504/IJMSO.2022.131133.

11. Akatkin Y., Yasinovskaya E. Data-Driven Government in Russia: Linked Open Data Challenges, Opportunities, Solutions // Electronic Governance and Open Society: Challenges in Eurasia (EGOSE 2020). Communications in Computer and Information Science. Springer Cham. 2020. Vol. 1349. P. 245–257. URL: https://www.springerprofessional.de/en/data-driven-government-in-russialinked-open-data-challenges-opp/18742244.

12. Akatkin Yu., Laikam K., Yasinovskaya E. The Concept and the Roadmap to Linked Open Statistical Data in the Russian Federation // Electronic Governance and Open Society: Challenges in Eurasia (EGOSE 2021) / Communications in Computer and Information Science. Springer Cham. 2022. Vol. 1529. P. 62–76. URL: https:// link.springer.com/chapter/10.1007/978-3-031-04238-6_6.

13. Акаткин Ю.М., Лайкам К.Э., Ясиновская Е.Д. Связанные статистические данные: актуальность и перспективы. Вопросы статистики. 2020. Т. 27. № 2. С. 5–16. doi: https://doi.org/10.34023/2313-6383-2020-27-2-5-16.