データを記述する語彙の選び方は、標準に従う「かたいメタデータ」と、対象に即して柔軟に作る「やわらかいメタデータ」のあいだで決まる。生成AI が両者の隙間を埋めうるという見方が出てきたことで、この選択の前提が動いている。構造の設計は節「データモデリングと構造化」に任せ、ここでは記述に使う語彙とスキーマの選び方に絞る。
画像にしただけでは研究基盤にならない
メタデータが何のために要るのかは、デジタル化の限界から説明される。資料を画像にするだけでは研究基盤にはならない。デジタル化は抽出の技術であり、資料が持つ情報の多くは欠落する。そのため、いつ・どこで・誰によって作られたのか、他の資料とどのような関係にあるのかを示すメタデータを付与し、研究上の問いと結びつける必要がある。この取り組みは、人文学の問いと技術とが相互に変化していく実践として捉えられている [UC-036 §デジタル・アーカイブからDHへ:ARCが積み重ねてきたもの]。語彙を選ぶ作業は、この欠落を何で補い、どの問いに結びつけるかという判断の一部である。
誰のために付けるかで、標準への寄せ方が決まる
スキーマ(標準語彙)をどこまで厳密に採るかは、メタデータを誰に向けて付けるかで分かれる。自分や自組織のためだけなら、相互運用性の重要度は低い。一般的・専門的な利用者への流通を想定するなら、相互運用性を考慮した形式と、分野ごとの詳細な項目が要る [UC-021 §メタデータをめぐる論点:利用者・項目・専門性]。
目的に加えて、付ける項目の種類も選択に関わる。メタデータの項目は基本・内容・来歴・管理・利用の5種類に整理でき、どれに力を入れるかで必要な語彙が変わる [UC-021 §メタデータをめぐる論点:利用者・項目・専門性]。付与する側の専門性にも類型がある。基本メタデータや識別子を付けるデータライブラリアン的な立場、利用者の視点で潜在的な価値を引き出すデータキュレーター的な立場、長期的な価値を保存するデータアーキビスト的な立場で、付け方が変わる [UC-021 §メタデータをめぐる論点:利用者・項目・専門性]。語彙を選ぶ作業は、自分がこのどこに立つかを意識することと切り離せない。
かたいメタデータとやわらかいメタデータ
標準的な共通スキーマに基づいて作るかたいメタデータは、標準化によって相互運用性を担保する。ただし合意形成に多大なコストがかかり、標準化できない情報は脱落する。やわらかいメタデータは、目的に応じてスキーマを柔軟に使い分け、相互運用性は生成AI の橋渡しで確保する、という発想に立つ。少し異なる言葉や形式を使っても、AI が両者をつなげれば成立する。事前の合意が要らず、利用者が目的に最適化して作れ、多様な情報を取り込める点が利点である [UC-021 §かたいメタデータとやわらかいメタデータ]。
標準にどこまで寄せ、どこから自由に書くかは、流通を重視するか、発見(ファインダビリティ)を重視するかで決められる。流通を重視する場面(DOI など)では固定的なスキーマで標準化を進め、発見を重視する場面ではやわらかいメタデータと生成AI によって多様化を進められる [UC-021 §AI時代におけるメタデータの再考と今後の展望]。かたいメタデータは最低限必要なものに絞り、それ以外は無理に標準に収めず自由に書いてよい、という見方も示されている [UC-021 §AI時代におけるメタデータの再考と今後の展望]。標準に従う部分は流通に要る最小限にとどめ、残りに対象固有の記述を許す、という配分である。
標準語彙を土台に、対象に即した体系を組む例
標準語彙と対象固有の体系を併用した例に、イラン・バム遺跡の3次元復元がある。資源をクラスとして体系化して記述するオントロジー的なメタデータの付け方を採り、語彙にはダブリンコアなどの標準を組み合わせ、国際標準のメタデータとして Object ID も使った [UC-020 §メタデータの管理と公開]。このオントロジー的な付け方は、共同研究者がオントロジーの研究をしていたという背景のもとで採られた [UC-020 §メタデータの管理と公開]。標準語彙を土台に、その上に対象に合わせた体系を組むスキーマの組み合わせの一例であり、選択が対象だけでなく担い手の事情にも左右されることを示している。三次元データの記述語彙とオントロジーの扱いは、ここで述べた範囲が記事から言えるすべてである。
生成AI が橋渡しできる範囲と、生成したメタデータの受け入れ
生成AI が橋渡しできるのは、同義語や表記の揺れといった浅い意味でのギャップである。深い意味でのギャップは橋渡しできない [UC-021 §AI時代におけるメタデータの再考と今後の展望]。やわらかいメタデータに寄せるとしても、意味の異なる概念どうしの対応づけまでAI に任せられるわけではない。
メタデータの側から生成AI が効く場面には、二つの型が報告されている。一つは、正解がなく多様な解がありうるメタデータの生成である。つくし堂では、書誌情報の標準メタデータとくずし字認識によるOCRテキストを入力に、要約やタグを生成した。3,000点以上の古典籍にキャッチフレーズを付ける作業は人間の専門家には現実的でなく、こうした領域でAI 生成のメタデータが力を持つとされる [UC-021 §つくし堂:AIによる古典籍メタデータの生成]。ただし、タグが共通する2点から生成させた関係記述は、あまりにもっともらしく、ハルシネーションかどうかの確認も難しいと述べられている [UC-021 §つくし堂:AIによる古典籍メタデータの生成]。生成されたメタデータをどこまで受け入れるかは、この確認の難しさと、AI 生成のメタデータが古典籍の世界で標準化された方式ではないという事情を勘案して決めることになる。
もう一つは、利用事例の生テキストをそのまま保持し、使う時点で構造化や形式変換を行う設計である。Mahalo Button では、最初に情報を落とし込まず、リッチな情報を持っておき、問いに応じて構造化する [UC-021 §Mahalo Button:データ利用事例の蓄積と活用]。「多様なデータをそのまま保存し、AI が得意な構造化をオンデマンドで実行し、人間が活用方法を柔軟に決める」という役割分担が、良い分担として挙げられている。標準化できない情報をまず落とし、人間が事前に構造化を頑張り、最後に少ない情報をAI が活用する分担は、悪い分担とされる [UC-021 §AI時代におけるメタデータの再考と今後の展望]。
何のデータか、なぜ作ったか、どう使うか
従来のメタデータは、何のデータか(WHAT)、なぜ作られたか(WHY)が中心だった。今後のAI 活用を見据えると、データをどう使うか(HOW)に関するメタデータも要る、という問題意識が示されている。暫定的な整理として、Descriptive Metadata(WHAT)、Contextual Metadata(WHY)、Operational Metadata(HOW)が挙げられた [UC-021 §生成AIのための「HOWメタデータ」]。Operational Metadata には、ファイル形式と読み込み方法、列定義(名前・型・単位・値の意味)、ファイル名パターン、API 使用例、注意点などが含まれる。こうした情報は従来あまり構造化されてこなかったが、データを読み込むソフトウェアがあればAI に分析させて生成できる。これをコンテキストとして与えると、台風経路を描くスクリプトのようなプログラムの自動生成につながる [UC-021 §生成AIのための「HOWメタデータ」]。語彙を選ぶ際の視野が、人が読む記述から、AI が使うための記述にまで広がっている。