データに識別子を与えて引用できるようにするとき、何に識別子を振るか、どう設計するか、永続的に同じものを指す参照をどう保つかが問われる。何に識別子を振るか、どう設計するかは、記事に現れた事例から整理できる。永続的な参照の担保は事例が一件にとどまる。データの引用については、引用を前提とするCC-BYでの公開やDOI付きの資料公開といった、公開側の例が見えるにとどまる。
何に識別子を振るか
識別子は資料そのものではなく、資料の中に繰り返し現れる単位に与える。市区町村・藩・街道・宿場・村などの、まとまりのあるもの(エンティティ)を列挙し、それぞれに固有のIDを割り当てる[UC-013 §識別子と属性によるデータ構築の基本方針]。同じIDを持つものは同じもの、違うIDを持つものは違うものとみなす[UC-044 §歴史ビッグデータの作り方と使い方]。
識別子には属性を組み合わせる。位置情報のほか、名称の表記揺れや粒度の吸収、名称の選択、読み、基本統計などである[UC-013 §識別子と属性によるデータ構築の基本方針]。この識別子と属性の組をデータセット化し、実世界との紐づけとデータ統合に使う[UC-013 §識別子と属性によるデータ構築の基本方針]。個々の地名データセットの中身は「地名という接点」を参照。
識別子設計の論点
設計でもっとも難しいのは、何を同じエンティティとみなすかの基準である。表記揺れや時代による変化があるため、どちらの立場も取りうる場合には、基準をあらかじめ決めておく必要がある[UC-033 §地図・地誌・地名の枠組みと識別子付与の方針]。講演者はこれを非常に難しい問題だと述べている[UC-044 §歴史ビッグデータの作り方と使い方]。歴史的な単位に識別子を与えるときの同定の具体は「時間をもつ空間」を参照。
同一性の基準は、作業の前にルールとして定めることもできる。同名の村が多い場合に、データベースで同名の村が連続するときのみ同一村として固有IDを付け、後で分割した村には5000番台の番号を与え、統合した村は欠番とする(連番にはこだわらない)と定めておけば、単位の分割・統合が起きてもIDの整合性を保てる[UC-046 §間違いを前提にしたデータの定義]。代表名と別名の決め方にも基準が要る。公式の定義がない呼称については、文献での使われ方や現代の利用実態を参照して代表名を選び、それ以外を別名にまとめている[UC-044 §藩IDデータセット:何を同じ藩とみなし]。
単位どうしの関係が一対一でない場合は、識別子を一つ増やす必要がある。藩を例にとると、江戸時代には藩より大名家が先にあり、大名家が移動することもあって、藩と大名家は一対一ではない。そのため藩IDとは別に大名家IDが必要になり、両者のリンクが求められる[UC-012 §藩IDデータセット]。当主の交代などのイベントをIDの変更として扱うなら、より複雑なID体系が必要になる[UC-012 §藩IDデータセット]。
位置を一つに決められない対象には、識別子の側に曖昧さを含める設計がありうる。H3のように場所と範囲の大きさを一つの文字列で指定できるIDを使えば、IDそのものに曖昧さのレベルを持たせられる[UC-033 §地名のデータセット:藩・街道・宿場とGeoLOD]。具体的な事例は「時間をもつ空間」を参照。時期や説によって経路が複数ありうる対象の扱いも、「時間をもつ空間」を参照。
番号体系を設計する
道(線)と点に番号を与える発想は、既存の体系に倣ったものである。道には高速道路ナンバリング、点には駅ナンバリングに倣う[UC-012 §江戸期地理データセット]。そうすると、人や物資の移動経路を「あるIDから別のIDへ」というID間のリンクで表せ、構造化の効率化に寄与する[UC-012 §江戸期地理データセット]。
街道の番号は、街道を表す「R」に3桁の数字を付けた形である。五街道は特例として001〜005とし、それ以外の主要街道は百の位を地方ごとに割り当てる(1は北海道、2は東北、3は関東など)[UC-045 §CODHとの共同によるオープンデータ化]。下二桁は、基幹街道かどうかで分ける。基幹街道の基準は地方ごとに異なり、関東は公的な格、東北などは広域の幹線を基準としている。たとえば日光御成道は R302 で、関東の基幹街道にあたる[UC-045 §CODHとの共同によるオープンデータ化]。宿場は、街道との組み合わせで番号が付く[UC-033 §地名のデータセット:藩・街道・宿場とGeoLOD]。個別の値や付与の状況、移設や経路の違いの扱いは「時間をもつ空間」を参照。
同じ箇所を指し続ける識別子
永続的に同じものを指す参照を保つ方法として、記事に現れた事例は Humanitext の一件である。Humanitext のテクストデータは、保存・配信・推論の三層に分かれる。AIに渡す単位に区切ったチャンクごとの安定したIDが三層を貫き、どの層でも同じ一節を指す参照のアンカーになっている[UC-038 §保存・配信・推論の三層アーキテクチャ]。
保存層はTEI/XMLで、原典・底本・校訂を記録する。配信層はチャンキングJSONで、TEIをそのままAIに渡すとタグが多く適切でないため、参照箇所を特定できるID(CTS URN規格に基づく)と箇所マーカーに絞っている[UC-038 §保存・配信・推論の三層アーキテクチャ]。推論層は、スタンドオフ注釈のグラフとして検討している段階で、実装には至っていない[UC-038 §保存・配信・推論の三層アーキテクチャ]。この事例では、層や形式が変わっても同じ箇所を指せるように、チャンクごとの安定したIDを三層に通している[UC-038 §保存・配信・推論の三層アーキテクチャ]。
識別子を貼り合わせる
識別子を共有したデータは、作成者や時点の異なるデータと結びつけられる[BP-006 §識別子を介したデータの連携]。宿場の記述を街道IDごとにリスト化して宿場IDを付けたデータセットのように、一つの識別子が次のデータセットの土台になる例もある[UC-033 §地名のデータセット:藩・街道・宿場とGeoLOD]。個別の対応付けの具体は「地名という接点」を参照。
藩・街道・宿場に付与したIDは、地名情報処理基盤GeoLODに登録して共有している[UC-033 §地名のデータセット:藩・街道・宿場とGeoLOD]。地名の識別子サービスの内容は「地名という接点」を参照。
共有する識別子は、貼り合わせの軸になる反面、判断の記録でもある。同一とみなす条件が作業前のルールとして定められていれば、その判断をたどれる[BP-006 §識別子を介したデータの連携]。同名の地名や表記揺れが多い場合は、単純な文字列の一致では対応付けがうまくいかないことも報告されている[BP-006 §識別子を介したデータの連携]。
データを引用してもらうための公開
データを業績として引用してもらう仕組みそのものを論じた記事は、紐づいていない。公開側の例が見えるにとどまる。江戸主要街道データセットは、再利用可能にするため街道を一本ずつ識別する番号を設けたうえで、CC-BYで公開されている[UC-045 §CODHとの共同によるオープンデータ化]。講演資料に DOI を付けて人文学研究データリポジトリで公開した例もある[UC-008 §講演情報]。識別子を振ることは、こうした公開のもとで、データを他者が指し示し、再利用する前提になる。公開時のライセンスの扱いは、事例で採られた方針の紹介と、選び方を述べる材料が無いことを含めて「ライセンスの選び方と権利処理」を参照。