راهنمای طراحی لغت نامه داده ها و دفترچه کدها

بحران تفسیر داده ها و ضرورت لغت نامه داده

هنگامی که یک مجموعه داده شامل ده ها یا صدها متغیر، کدهای اعتبارسنجی شرطی، دسته بندی های کیفی، فرمول های محاسبه شده و مقادیر نامشخص[1]باشد، گنجاندن این حجم از جزئیات فنی درون یک فایل متنی ساده خوانایی سند را مختل می کند.

داده های خام بدون تعریف دقیق مفهومی و محاسباتی، به سرعت دچار فرسودگی تفسیری می شوند. برای نمونه، ثبت عدد ۱ در ستونی با عنوان status، بدون وجود سندی که مشخص کند این عدد نشانه «موفقیت آمیز بودن»، «بستری بودن» یا «حضور در گروه آزمایش» است، کارایی داده را ناممکن می سازد (Buchanan et al., 2021).

لغت نامه داده[2] و دفترچه کدها[3]سندهای مکمل بسته داده هستند که معنای درون متنی هر سلول، ستون و رابطه پایگاه داده را در ریزترین مقیاس مشخص می کنند و قابلیت استفاده مجدد و تکرارپذیری داده ها را طبق معیارهای نوین بین المللی تضمین می نمایند (National Institutes of Health, 2023).

تعریف مفهومی

اگرچه در بسیاری از متون و کاربردهای روزمره این دو اصطلاح به جای یکدیگر به کار می روند، اما ساختار و منشا متفاوتی دارند:

1- لغت نامه داده ها: سندی ساختار یافته در سطح ابرداده است که ویژگی های فنی و ساختاری هر متغیر را در یک جدول داده مشخص می کند. هدف اصلی این سند، حذف ابهام محاسباتی برای تحلیل گران و الگوریتم های پردازش داده است (Borer et al., 2009). در مدل های رابطه ای و پایگاه های داده، لغت نامه داده نقش مشخصات مهندسی داده را بازی می کند و معمولا این اجزا را دارد:

• نام متغیر (Variable Name): نام دقیق ستون در فایل خام داده بدون فاصله یا نشانه های خاص.
• برچسب متغیر (Variable Label): عنوان خوانا و توصیفی متغیر برای نمایش در نمودارها و جداول.
• نوع داده (Data Type): مشخص کردن ماهیت فنی.
• دامنه مجاز مقادیر: تعیین بازه عددی معتبر (مانند مقادیر بین ۰ تا ۱۰۰) یا کدهای مشخص برای جلوگیری از ثبت داده های نامعتبر.
• واحد اندازه گیری: تعیین استاندارد اندازه گیری متغیر (مانند کیلوگرم، میلی گرم، ثانیه).
• قرارداد داده های از دست رفته: کدهای صریح برای انواع فقدان داده.

2- دفترچه کدها: سندی توصیفی است که فراتر از نوع و دامنه متغیرها، زمینه پژوهشی و بستر گردآوری داده را تشریح می کند. خاستگاه این سند علوم اجتماعی و رفتاری است؛ جایی که متغیرها اغلب از ابزارهای اندازه گیری مانند پرسشنامه، مصاحبه یا مقیاس های روان سنجی استخراج می شوند (ICPSR, n.d.). دفترچه کدها عموما حاوی بخش های زیر است:

• ابزار سنجش: متن دقیق سوالی که پیش روی پاسخ گو قرار گرفته و راهنمای ثبت پاسخ.
• دستورالعمل پرسش: مشخص کردن شرایطی که در آن گروهی از افراد به سوالی خاص پاسخ نداده اند.
• آمار توصیفی پایه: جدول فراوانی، درصد پاسخ ها برای متغیرهای رسته ای یا میانگین و انحراف معیار اولیه برای متغیرهای پیوسته، تا تحلیل گر بتواند از یکپارچگی فایل بازخوانی شده با فایل اصلی اطمینان پیدا کند (ICPSR, n.d.).
• 
  

گام های عملیاتی برای تدوین لغت نامه داده ها در چرخه پژوهش

گام ۱: طراحی با ابزار گردآوری داده

تعریف ساختار لغت نامه داده ها باید پیش از گردآوری اولین رکورد انجام شود. طراحی پیشینی متغیرها از ناسازگاری در ورود داده ها، قالب بندی های نامتعارف و بازتولید داده های فاقد استاندارد جلوگیری می کند (Ellis & Leek, 2018). اگر لغت نامه هم زمان با طراحی نرم افزار، فرم الکترونیکی یا شیت های داده ساخته شود، ساختار فرم ها بر اساس همان محدودیت ها تنظیم می شود و این یک نقص است.

گام ۲: استاندارد سازی نام گذاری و هماهنگی با واژگان کنترل شده

نام متغیرها باید کوتاه، معنادار، فاقد کاراکترهای ویژه، بدون فاصله و با ساختاری پایدار باشند (Wickham, 2014). همچنین در پژوهش های حوزه های خاص (پزشکی، ژنتیک و علوم زیستی)، استفاده از واژگان کنترل شده[4]و هستی شناسی های استاندارد[5]مانع از استفاده از اصطلاحات سلیقه ای می شود و ادغام مجموعه های داده را ممکن می سازد (Wilkinson et al., 2016).

گام ۳: تعیین صریح کدها و مقادیرهای از دست رفته

تعریف کدهای استاندارد برای مقادیر مفقود ضروری است. خالی گذاشتن سلول ها در فایل داده، خوانش خودکار توسط نرم افزارهای تحلیلی را دچار خطا می کند، زیرا نرم افزار تمایزی میان عدم پاسخ، خطای سیستمی یا صفر قائل نمی شود. استاندارد سازی این مقادیر و ثبت صریح کد آن ها در لغت نامه، از سوگیری پردازش های بعدی جلوگیری می کند (Buchanan et al., 2021).

گام ۴: اعتبارسنجی کیفی و آزمون پایلوت

پیش از اجرای نهایی، لغت نامه باید از طریق ورود چند نمونه داده آزمایشی تست شود تا خطاهای مربوط به بازه مقادیر، تعارضات فرمول ها یا عدم پوشش حالت های خاص پاسخ ها شناسایی و اصلاح شوند (Borer et al., 2009).

گام ۵: ذخیره سازی، نسخه گذاری و استفاده از فرمت های باز

لغت نامه داده ها نباید وابسته به فرمت های اختصاصی، ناپایدار یا محبوس درون شیت دوم فایل های نرم افزاری باشد. استاندارد بهینه سازی، ذخیره لغت نامه در قالب های متنی ساده بدون وابستگی نرم افزاری باید باشد. همچنین هرگونه بازنگری در طول پژوهش باید همراه با شماره نسخه ثبت شود تا تولید مجدد نتایج حفظ گردد (Wilkinson et al., 2016).

منابع

• Borer, E. T., Seabloom, E. W., Jones, M. B., & Schildhauer, M. (2009). Some simple guidelines for effective data management. The Bulletin of the Ecological Society of America, 90(2), 205–214. https://doi.org/10.1890/0012-9623-90.2.205
• Buchanan, E. M., Crain, S. E., Cunningham, A. L., Johnson, H. R., Stash, H., Papadatou-Pastou, M., … & Aczel, B. (2021). Getting started creating data dictionaries: How to create a shareable dataset. Advances in Methods and Practices in Psychological Science, 4(1), 1–13. https://doi.org/10.1177/2515245920928007
• Ellis, S. E., & Leek, J. T. (2018). How to share data for collaboration. The American Statistician, 72(1), 53–57. https://doi.org/10.1080/00031305.2017.1375987
• Inter-university Consortium for Political and Social Research (ICPSR). (n.d.). What is a codebook?. ICPSR. https://www.icpsr.umich.edu/web/pages/ICPSR/help/faq/what-is-a-codebook.html
• Open Science Framework (OSF). (n.d.). How to make a data dictionary. Center for Open Science. https://help.osf.io/article/217-how-to-make-a-data-dictionary
• U.S. Geological Survey (USGS). (n.d.). Data dictionaries. USGS Data Management. https://www.usgs.gov/data-management/data-dictionaries
• Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1–23. https://doi.org/10.18637/jss.v059.i10
• Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., … & Mons, B. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18
• 
  

[1] - Missing Values

[2] - Data Dictionary

[3] - Codebook

[4] - Controlled Vocabularies

[5] - Ontologies