اختيار Dataset للمشروع: الترخيص والجودة والخصوصية

افتح وصف Dataset قبل تنزيلها للتأكد من معنى الصفوف والحقول والفترة التي تغطيها وحق استخدامها. قد يكون الملف كبيراً لكنه لا يحتوي المعلومة التي يحتاجها سؤالك، أو تكون شروط نشره مختلفة عن شروط الكود المرافق. سنفحص Iris مثالاً، ثم نضع قرار قبول أو رفض أو قبول مشروط مبنياً على المصدر والجودة والتمثيل.

اكتب ما تحتاجه من البيانات

ابدأ بوحدة المشاهدة: هل السطر زيارة، أم شخص، أم جهاز، أم حدث؟ ثم حدد الحقول اللازمة، والفترة الزمنية، والمجتمع الذي تريد دراسة سلوكه، والهدف إن كان تعلمًا خاضعًا للإشراف. إذا كان المطلوب تصنيف رسائل عربية، فلن تكفي بيانات إنجليزية لمجرد تشابه الأعمدة. وإذا كان الهدف توقع حدث مستقبلي، تحتاج تواريخ تبين وقت توفر المعلومة.

اكتب أيضًا ما لن تستخدمه: أسماء الأشخاص وأرقامهم وعناوينهم ليست مدخلات لازمة لمعظم التجارب التعليمية. يمكن تقليل البيانات أو إخفاء الهوية، لكن حذف الاسم وحده لا يزيل دائمًا إمكانية التعرف على الشخص من مجموعة حقول أخرى. راجع المشرف والجهة المالكة عند التعامل مع بيانات حساسة أو مقيدة، ولا تنشرها في المستودع أو التقرير دون حق واضح.

بطاقة مصدر فعلية: Iris

هذه البطاقة مثال قبول محدود لغرض تعليمي، وليست توصية بأن Iris مناسبة لكل مشروع ذكاء اصطناعي. يُبقي الباحث نسخة الملف الخام واسمها وتاريخ تنزيلها وبصمتها، لأن المصدر قد يعرض ملفات متعددة أو تحديثات تحتاج تمييزًا.

اقرأ الترخيص من المصدر الأصلي

راجع رابط الترخيص نفسه، لا عبارة «متاح على الإنترنت». يجيز CC BY 4.0 المشاركة والتكييف مع شروط منها الإسناد وبيان التعديل. اكتب اسم المجموعة والجهة والرابط والترخيص، ووضح خطوات التنظيف أو الاشتقاق. ترخيص ملف البيانات لا يمنحك تلقائيًا حقوقًا في صور أو محتويات إضافية جمعتها من مواقع أخرى.

إذا كان الترخيص غائبًا، سجل «غير متحقق» واطلب توضيحًا أو اختر مصدرًا آخر. وإذا كانت البيانات متاحة للبحث فقط أو تتطلب اتفاق استعمال، راجع توافق غرضك وطريقة نشر النتائج معها. لا تستبدل هذه المراجعة بترخيص برمجيات المستودع؛ قد يكون الكود مفتوح المصدر والبيانات تحت شروط مختلفة.

افحص القيم الناقصة والتكرار وتغطية البيانات

1. قارن أسماء الحقول وأنواعها ووحداتها بوصف المصدر.
2. احسب الفراغات والقيم غير الصالحة والتكرار، وسجل المقام الذي حسبت عليه كل نسبة.
3. افحص حدودًا معقولة، مع التفريق بين خطأ إدخال وقيمة نادرة صحيحة.
4. راجع توازن الفئات والغطاء الزمني والجغرافي واللغوي المرتبط بالسؤال.
5. افحص كيفية إنشاء الوسوم ومن قيّم جودتها، دون افتراض أنها حقيقة خالية من الخطأ.

لا تحذف الصفوف غير المريحة للنموذج قبل فهمها. احتفظ بسجل تحويل يربط عدد الصفوف قبل المعالجة وبعدها وأسباب الاستبعاد. وإذا دمجت مصدرين، افحص توافق الوحدات والمفاتيح والترخيص، وتأكد من أن السجل نفسه لا يظهر بصيغ مختلفة في التدريب والاختبار.

متى تقبل البيانات ومتى تبحث عن مصدر آخر؟

احتفظ ببطاقة المصدر ونسخة البيانات وسجل التنظيف وأسباب الاستبعاد. أرفقها بالتحليل أو النموذج عند تسليم مشروع البيانات، حتى يستطيع من يراجعه معرفة ما استُخدم فعلاً ولماذا، وما القيود التي يجب أن يراعيها عند قراءة النتيجة.