O papel dos vocabulários no big data: o desafio dos dados de pesquisa

IV Seminário do Grupo de Pesquisa MHTX – 2021 Universidade Federal de Minas Gerais (UFMG) | Escola de Ciência da Informação (ECI) O PAPEL DOS VOCABULÁRIOS NO BIG DATA: O DESAFIO DOS DADOS DE PESQUISA THE ROLE OF VOCABULARIES IN BIG DATA: THE QUEST OF RESEARCH DATA Carlos H. Marcondes, PPG-GOC/UFMG e PPGCI/UFF ch_mar[email protected] Resumo: A emergência do fenômeno Big Data traz desafios para a Organização do Conhecimento (OC), no mínimo tão importantes quanto os da "explosão informacional", fenômeno fundador da área. Naquele momento, a resposta da OC foi o desenvolvimento dos tesauros. Em relação ao "Big Data", embora tenha havido discussões significativas na área, ainda não se tem claro qual pode ser a contribuição da área para endereçar a questão. É mais ou menos consensual que o "Big Data" não pode ser endereçado sem mobilizarmos as máquinas para isso. Discute os desafios colocados pelo Big Data, conceitualiza e propõe um possível papel para a OC baseado nos vocabulários como mecanismo para atribuir "semântica" inteligível por computadores, segundo a proposta dos Dados Abertos Interligados. Palavras-chave: big data; vocabulários; dados abertos interligados; organização do conhecimento. Abstract: The emergence of the Big Data phenomenon brings challenges to the Knowledge Organization (CO) at least as important as those of the "information explosion", the founding phenomenon of the area. At that moment, the answer of the KO was the development of the thesaurus. Regarding "Big data", although there have been significant discussions in the area, it is still not clear what the area's contribution to address the issue can be. It is more or less consensual that "Big data" cannot be addressed without mobilizing the machines to do so. It discusses the challenges posed by Big Data, conceptualizes and proposes a possible role for OC based on vocabularies as a mechanism to attribute "semantics" intelligible by computers, according to the Interlinked Open Data proposal. Keywords: big data; vocabularies; linked open data; knowledge organization. 1 INTRODUÇÃO O Big Data, a quantidade de dados produzidos pela sociedade atual, seu crescimento “explosivo”, as dificuldades de armazená-los, processá-los e reusá-los estão cada vez mais presentes na imprensa especializada em tecnologias da informação. As manchetes denominam o fenômeno também de “dilúvio de informações” (“information deluge”), “dilúvio de dados” (“data deluge”), “tsunami of data” (HEY; TREFETHEN, 2003). Segundo essas fontes, o fenômeno irá impactar negócios, governo, cultura, ciência, a sociedade como um todo. O Big Data nos remete naturalmente para a chamada “explosão da informação”, fenômeno fundador da área. Como resposta, a OC criou os SOCs (Sistemas de Organização do Conhecimento) como sistemas auxiliares aos SRI (Sistemas de Recuperação de Informações) bases de dados computadorizadas contendo representações dos documentos científicos –, de modo a controlar/padronizar a linguagem natural usada tanto para indexar os documentos entrados nos SRI quanto as consultas formuladas a este pelos usuários, os chamados “... information retrieval thesaurus” (CLARKE, 2012, p. 138). Embora o Big Data venha despertando interesse crescente da OC, as contribuições da área para contextualizá-lo ou para propor soluções práticas são ainda poucas; as conceitualizações repetem aquelas formuladas com origem na área de Ciência da Computação. Como descobrir, acessar, processar e reusar a enorme e crescente quantidade de dados que são disponibilizados continuamente por nossa sociedade? Diante do fenômeno do Big Data, qual poderia ser a contribuição da OC? O produto mais conhecido da Ciência, ao qual a OC vem se dedicando desde seu surgimento, são as publicações científicas. Recentemente, a Ciência vem dando uma crescente importância a outro de seus produtos, os dados de pesquisa, hoje praticamente em sua totalidade digitais, produzidos em quantidades crescentes como resultado da atividade científica realizada com o apoio das tecnologias da informação, a chamada eScience. Exemplos dessa enorme quantidade de dados de pesquisa digitais são os gerados pelo telescópio espacial Hubble1, os gerados pelo projeto de pesquisa Genoma Humano2 ou os 2 National Human Genome Research Institute, [20–]. 1 National Aeronautics and Space Administration, [20–]. gerados pelo Large Hadron Collider3, o maior e mais poderoso acelerador de partículas do mundo. Esses dados de pesquisa digitais são parte do fenômeno do Big Data. Uma questão parece consensual: não poderemos endereçar o Big Data sem agenciar computadores para nos auxiliarem. Essa constatação remete para o projeto da Web Semântica (BERNERS-LEE; HENDLER; LASSILA, 2001), a proposta de uma Web cujos recursos seriam representados de modo a terem um significado (ou semântica) preciso e formal, seriam “inteligíveis”, “compreensíveis”, tanto por pessoas quanto por máquinas. Em trabalhos anteriores (MARCONDES; COSTA, 2019), já discutimos como as publicações científicas, um dos produtos da ciência, poderiam ser “inteligíveis”, “compreensíveis”, tanto por pessoas quanto por máquinas, uma vez representadas com as tecnologias da Web Semântica. Aqui estamos interessados em verificar o mesmo para o segundo grande produto da ciência, os dados de pesquisa digitais. O objetivo deste trabalho é discutir como a OC pode contribuir para atribuir semântica computacional aos dados de pesquisa digitais, de modo que possamos agenciar computadores para processá-los, permitindo seu reúso em larga escala. Como metodologia, o trabalho discute as conceitualizações de dados e de (as poucas) Big Data com origem na área de OC em uma tentativa de deixar mais claro o que seriam dados, elementos essenciais do fenômeno Big Data e, em especial, dados de pesquisa digital. Passa então a analisar dados de pesquisa digitais com base no CRF (Case Report Form)4 proposto pela OMS (Organização Mundial de Saúde) para padronizar e unificar mundialmente o registro de casos de pacientes com covid-19. O trabalho está assim organizado. Após esta Introdução, a seção 2 discute a questão dos dados de pesquisa. A seção 3 analisa o CRF e a necessidade de prover semântica, isto é, tornar “inteligíveis”, “compreensíveis” por computadores, seus campos e respectivos conteúdos. Por fim, a seção 4 indica resultados, ainda parciais, novos caminhos de pesquisa, e faz as considerações finais. 2 A QUESTÃO DOS DADOS DE PESQUISA O reúso de dados de pesquisa digitais vem sendo objeto crescente de políticas públicas de ciência e tecnologia, internacionais e nacionais5. 5 Ver iniciativas de agências como U. S. National Science Foundation, [20--], National Institutes of Health, [2020], organismos internacionais e iniciativas como: World Bank Group, [20–], Open 4 World Health Organization, 2020. 3 The Large [...], [20–]. A questão dos dados abertos possui condicionantes legais, a questão dos direitos de acesso e das licenças de uso desses dados e tecnológicos, os formatos de arquivo abertos para dados e metadados. A iniciativa Open Data promove uma gradação de requisitos, de 1 a 5 estrelas6, para que dados possam ser considerados abertos. A partir da 4.ª estrela, os dados devem ser publicados usando-se as tecnologias de Dados Abertos Interligados (DAI), que são parte do projeto da Web Semântica. Uma iniciativa importante relativa aos dados de pesquisa é a GOFAIR. Ela promove os princípios FAIR: os dados de pesquisa devem ser publicados de maneira a maximizar sua Findability, Accessibility, Interoperability e Reuse. Os princípios FAIR enfatizam também o uso das tecnologias DAI, ou seja, os conjuntos de dados devem ser identificados e acessíveis através de identificadores/links persistentes Uniform Resource Identifier (URI), dados. Devem estar associados a licenças explícitas que permitam seu reúso. Dados e seus respectivos metadados devem utilizar vocabulários padronizados internacionalmente e aceitos e reconhecidos amplamente. Os princípios FAIR visam garantir, além da abertura de modo a facilitar o reúso dos dados de pesquisa, também o princípio M4M7 (Metadata for Machines) – (metadados para máquinas): “There is no FAIR data without machine-actionable metadata”, que os dados de pesquisa possam ser “inteligíveis”, “compreensíveis” por computadores (GOFAIR, [20–]). 3 O FORMULÁRIO CASE REPORT COVID-10 (CRF) DA OMS O que é Big Data? Qual sua relação com dados? O que são dados? Qual sua relação com metadados? As conceitualizações de Big Data com origem na área de OC são poucas e repetem as com origem na Ciência da Computação, ressaltando aspectos como um fenômeno que envolve grandes quantidades de dados, heterogeneidade dos dados, fluxo contínuo de geração e atualização, necessidade de grande capacidade de processamento, para que os dados revelem padrões ou tendências. No entanto o mesmo não se dá com as conceitualizações de dados com origem na OC. São bastante frequentes as menções na literatura sobre dados, suas relações com informação e conhecimento (BUCKLAND, 1991), frequentemente chamada de hierarquia Dados, Informação, Conhecimento, Sabedoria, em inglês DIKW (Data, Information, Knowledge, Winsdon) (ROWLEY, 2007). 7 Ver em: GOFAIR, [20–]. 6 Ver em: As 5 dos [...], [2015]. Knowledge Brasil, [20--]., o portal de dados do governo brasileiro, Brasil, [20–], e o portal europeu de dados abertos, European Data, [20–]. Uma exceção importante é o trabalho de Hjørland, que propõe chegar a uma conceitualização de Big Data a partir de conceitualizações de dados, este um fenômeno bastante mais conhecido e conceitualizado na área. De fato, dados são a essência do fenômeno Big Data, que não poderia existir sem dados. Hjørland (2018, p. 690) relaciona diversas conceitualizações de dados e elege a de Fox e Levitin: Within this framework, we define a datum or data item, as a triple <e, a, v>, trib e is na entity in a conceptual model, a is na tribute of entity e, and v is a value from the domain of tribute a. A datum asserts that entity e has value v for tribute a. Data are the members of any collection of data items. Essa conceitualização fica clara com o exemplo: “2018”. O que significa 2018? Outros diriam que é um dado. Observemos, no entanto, esta afirmação: “Giovana nasceu em 2018”. Nela podemos identificar a entidade de que se fala, uma criança chamada “Giovana”, um atributo ou propriedade (ORILIA; PAOLETTI, 2020) desta entidade, ou seja, “nasceu”, e o valor desse atributo ou propriedade, “2018”. Dados, inclusive o Big Data, não fazem sentido, sem estarem referenciados à entidade e ao atributo ou propriedade desta – o metadado. A representação de afirmações formadas por uma entidade, uma de suas propriedades e o valor dessa propriedade correspondem à representação de recursos informacionais no contexto dos DAI, usando o RDF (Resource Description Framework) (Manola; Miller; McBride 2014). Esse modelo pressupõe uma Semântica mínima, ou seja, são claramente identificados e aparecem nesta ordem o Sujeito, o Predicado e o Objeto que formam a tripla. A seguir, procuraremos demonstrar como a conceitualização acima é importante para endereçar a questão dos Big Data, em especial dos dados de pesquisa. Um exemplo concreto e dramático da importância dos dados de pesquisa e da adoção de princípios e tecnologias que permitam sua ampla disseminação e reúso é o formulário de coleta de dados de pacientes contaminados com covid-19, o CRF já mencionado, proposto pela OMS . A iniciativa GO FAIR propõe a criação de uma rede mundial de catálogos que façam referência a dados de pesquisa coletados por meio do CRF e depositados em repositórios e que estejam disponíveis segundo os princípios FAIR, os “FAIR Data Points”. O Brasil inclusive participa dessa iniciativa através da inciativa VODAN-Br (Virus Outbreak Data Network) (VEIGA et al., 2021). Os campos do formulário devem ser preenchidos com metadados e dados referenciados a vocabulários, de modo a permitir sua padronização, sem a qual não seria possível seu processamento por computadores, de modo a extrair conclusões e insights. No RDF, ao invés de Sujeito, Predicado e Objeto de uma tripla serem representados em linguagem natural, ambígua e difícil de ser processada por programas, cada um deles pode ser identificado por um URI. Esses URIs identificam termos específicos, tanto de vocabulários de metadados como de vocabulários de dados (ZENG, 2019). Outra característica importante do uso de vocabulários com as tecnologias de DAI: nos campos do formulário podem ser usados diferentes vocabulários simultaneamente. Na Figura 1, vemos um trecho do formulário e como dados de comorbidades de um paciente (a entidade) são registrados, conceitos como Chronic cardiac disease (o atributo ou metadado), tirados de ontologias ou vocabulários biomédicos específicos: Yes, No, Unk (o valor ou dado). Para terem seu significado preciso, conceitos como os mostrados no CRF devem se referenciar a ontologias ou vocabulários biomédicos específicos, padronizados, para viabilizar o processamento desses dados. FIGURA 1 – Parte do Formulário CRF Fonte: Case Report Form. 4 CONSIDERAÇÕES FINAIS Dados enquanto valores – v – ou representações de aspectos de fenômenos só fazem sentido ao serem referidos a uma entidade – e – e a seus correspondentes atributos – a – ou propriedades, ou seja, a metadados de uma entidade, triplas <e, a, v>. A OC, com sua experiência em desenvolver vocabulários, pode contribuir para atribuir a dados – Big Data, dados de pesquisa – e a metadados, semântica precisa, formal, “inteligível” e “compreensível”, tanto por pessoas quanto por máquinas. REFERÊNCIAS AS 5 ESTRELAS DOS DADOS ABERTOS. [S. l.]: [Stardata], [2015]. Disponível em: https://5stardata.info/pt-BR/. Acesso em: 01 out. 2024. BERNERS-LEE, Tim; HENDLER, James; LASSILA, Ora. The semantic web. Scientific American, [s. l.], May., 2001. Disponível em http://www.scian.com/2001/0501issue/0501berners-lee.html. Acesso em: 24 maio 2001. BRASIL. Governo Federal. Dados Abertos. [Brasília, DF]: Governo Federal, [20--]. Disponível em: https://dados.gov.br/. Acesso em: 01 out. 2024. BUCKLAND, Michael. Information as thing. Journal of the American Society of Information Science, [s. l.], v. 42, n. 5, p. 351-360, 1991. Disponível em: http://www.sims.berkley.edu/~buckland/thing.html. Acesso em: 13 abr. 2009. CLARKE, S. G. D. The Information Retrieval Thesaurus. Ko Knowledge Organization, [s. l.], v. 46, n. 6, p. 439-459, 2012. Disponível em: https://www.ergon-verlag.de/isko_ko/downloads/ko_46_2019_6_c.pdf. Acesso em: 20 jul. 2020. GOFAIR. M4M. [S. l.]: GOFAIR, [20--]. Disponível em: https://www.go-fair.org/resources/go-fair-workshop-series/metadata-for-machines-workshops/ m4m/. Acesso em: 01 out. 2024. EUROPEAN DATA. The official portal for European data. [S. l.: s. n.], [20--]. Disponível em: https://data.europa.eu/euodp/en/home. Acesso em 01 out. 2024. HEY, Tony; TREFETHEN, Anne. The data deluge: an e-science perspective. In: BERNMAN, Fran; FOX, Geoffrey; HEY, Anthony (ed.). Grid computing: making the global infrastructure a reality, 2003. p. 809-824. Disponível em: https://eprints.soton.ac.uk/257648/1/The_Data_Deluge.pdf. Acesso em: 10 out. 2020. HJØRLAND, Birger. Data (with big data and database semantics). Knowledge Organization, [s. l.], v. 45, n. 8, p. 685-708, 2018. MARCONDES, Carlos. H. COSTA, Leonardo. C. da. A Model to Represent and Process Scientific Knowledge in Biomedical Articles with Semantic Web Technologies. Knowledge Organization, [s. l.], v. 43, n. 2, p. 122-137, 2016. Disponível em: https://www.ergon-verlag.de/isko_ko/downloads/ko_43_2016_2_b.pdf. Acesso em: 05 maio 2016. NATIONAL HUMAN GENOME RESEARCH INSTITUTE (NIH). The Human Genome Project. [S. l.]: NIH, [20--]. Disponível em: https://www.genome.gov/human-genome-project. Acesso em: 30 set. 2024. NATIONAL AERONAUTICS AND SPACE ADMINISTRATION (NASA). Hubble Space Telescope. [S. l.]: Nasa, [20--]. Disponível em: https://www.nasa.gov/mission_pages/hubble/main/index.html. Acesso em: 30 set. 2024. NATIONAL INSTITUTES OF HEALTH (NIH). Final NIH Policy for Data Management and Sharing. [S. l.]: NIH, [2020]. Disponível em: https://grants.nih.gov/grants/guide/notice-files/NOT-OD-21-013.html. Acesso em: 01 out. 2024. ORILIA, Francesco; PAOLETTI, Michele Paolini. Properties. In: ZALTA, Edward N. (ed.). The Stanford Encyclopedia of Philosophy, 2020. . Disponível em: https://plato.stanford.edu/archives/win2020/entries/properties/. Acesso em: 9 maio 2020. OPEN KNOWLEDGE BRASIL. [S. l.: s. n.], [20--]. Disponível em: https://ok.org.br/. Acesso em: 30 set. 2024. MANOLA, Frank ; MILLER, Eric; McBRIDE, Brian (ed.). RDF 1.1 PRIMER [S. l.]: W3C 2014. Disponível em: https://www.w3.org/TR/rdf11-primer/. Acesso em: 26 maio 2016. ROWLEY, Jennifer. The wisdom hierarchy: representations of the DIKW hierarchy. Journal of information science, [s. l.], v. 33, n. 2, p. 163-180, 2007. Disponível em: http://web.dfc.unibo.it/buzzetti/IUcorso2007-08/mdidattici/rowleydikw.pdf. Acesso em: 14 jun. 2013. THE LARGE Hadron Collider. [S. l.]: CERN, [20--]. Disponível em: https://home.cern/science/accelerators/large-hadron-collider. Acesso em: 30 set. 2024. VEIGA, V. S. O.; CAMPOS, M. L.; SILVA, C. R. L.; HENNING, P.; MOREIRA, J. Vodan br: a gestão de dados no enfrentamento da pandemia coronavírus. Páginas A&B, Arquivos e Bibliotecas (Portugal), [s. l.], p. 51-58, 2021. Edição especial. Disponível em: http://hdl.handle.net/20.500.11959/brapci/157353. Acesso em: 25 jun. 2021. U.S. NATIONAL SCIENCE FOUNDATION (NSF). Preparing Your Data Management and Sharing Plan. [S. l.]: NSF, [20--]. Disponível em: https://www.nsf.gov/bfa/dias/policy/dmp.jsp. Acesso em: 30 set. 2024. WORLD HEALTH ORGANIZATION. Global COVID-19 clinical platform novem coronavirus (COVID 19): rapid version. [S. l.]: WHO, 8 apr. 2020. Disponível em: https://github.com/FAIRDataTeam/WHO-COVID-CRF/blob/master/WHO-2019-nCoV-Clinical_CRF2020.3-eng.pdf. Acesso em: 30 set. 2024. WORLD BANK GROUP. World Bank Open Data: free and open access to global development data. [S. l.: s. n.], [20--]. Disponível em: https://data.worldbank.org/. Acesso em: 30 set. 2024. ZENG, Marcia Lei. Interoperability. In: HJØRLAND, Birger; GNOLI, Claudio (ed.). ISKO Encyclopedia of Knowledge Organization [S. l.]: ISKO, 2019. Disponível em: http://www.isko.org/cyclo/interoperability. Acesso em: 18 set. 2019. REFERÊNCIAS CONSULTADAS BUCKLAND, Michael. What Kind of Science can Information Science Be? Journal of Information Science and Technology, [s. l.], v. 63, n. 1, p. 1-7, 2012. Disponível em: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.468.4060&rep=rep1&type=pdf. Acesso em: 11 maio 2018. FLORIDI, Luciano. Semantic Conceptions of Information. In: ZALTA, Edward (ed.). The Stanford Encyclopedia of Philosophy. [S. l.: s. n.], 2019. Disponível em: https://plato.stanford.edu/archives/win2019/entries/information-semantic/. Acesso em: 21 dez. 2019.