تیم لرالینک

تیم لرالینک

ابتدا متن اصلی هر قطعه یا بلوک مستقل تحلیل می‌شود. هوش مصنوعی حداکثر ۲۰ مفهوم یا موجودیت مهم را که واقعاً در متن حضور دارند و امتیاز اهمیتشان دست‌کم ۰٫۵ است استخراج می‌کند. نام‌های شناخته‌شده با تطبیق قطعی واژگان شناسایی می‌شوند. نام‌های تازه ابتدا در ثبت دانش سراسری لرالینک و سپس، در صورت نیاز، در ویکی‌داده جست‌وجو می‌شوند. مدل با استفاده از بافت متن، هویت درست را میان گزینه‌های بازیابی‌شده تشخیص می‌دهد؛ موارد با اطمینان حداقل ۰٫۸۵ به‌صورت خودکار تأیید می‌شوند و موارد مبهم برای بررسی انسانی باقی می‌مانند. در مرحله بعد، سامانه حضور و اهمیت هر مفهوم را در کل بدنه دانش همان نهاد اندازه می‌گیرد: فراوانی اشاره نسبت به طول متن، تراکم حضور، جایگاه در عنوان، خلاصه و تیترها، تعریف‌های کلیدی و نزدیکی معنایی. برای سنجش همسایگی معنایی از مدل چندزبانه bge-m3 با بردارهای ۱۰۲۴بعدی و شباهت کسینوسی استفاده می‌شود. ارتباط قطعات نیز از اشتراک مفاهیم و موجودیت‌ها، نزدیکی برداری، ارجاعات، روابط تألیفی و ساختار انتشار به دست می‌آید و با وزن و شواهد ذخیره می‌شود. سرانجام، لرالینک برای هر مفهوم سه سطح شناخت تولید می‌کند: تعریف عمومی معتبر، توصیف زمینه‌مند بر اساس شواهد بدنه دانش نهاد، و شرح تلفیقی. با گسترش معنادار بدنه دانش، این توصیف‌ها بازسازی می‌شوند، در حالی که اصلاحات انسانی محفوظ می‌مانند. حاصل، یک گراف دانش چندزبانه و پویاست که ارتباطات معنایی آن قابل ردیابی و بازبینی‌اند.

از دادهٔ خام تا پاره‌ای دانش: یک نمونه در لرالینک

این پاره نمونه‌ای از شیوهٔ انتشار دادهٔ ساخت‌یافته در لرالینک است. یک مجموعه‌داده می‌تواند همراه با توضیح، زمینهٔ روش‌شناختی، منبع و متغیرهای محاسبه‌شده منتشر شود و سپس از همان داده برای جدول، نمودار یا دیگر شکل‌های نمایش استفاده شود. نمونهٔ زیر از پیمایش ملی Pew Research Center دربارهٔ نگرش آمریکایی‌ها به دو حزب اصلی این کشور گرفته شده است. از پاسخ‌دهندگان پرسیده شد که آیا حزب جمهوری‌خواه و حزب دموکرات در آنان احساس‌هایی مانند سرخوردگی، خشم، امید یا غرور ایجاد می‌کنند.

احساسحزب جمهوری‌خواهحزب دموکراتاختلاف به واحد درصدسالجامعه آماریمنبع
سرخوردگی۶۴۷۵۱۱۲۰۲۵بزرگسالان آمریکاPew Research Center
خشم۴۹۵۰۱۲۰۲۵بزرگسالان آمریکاPew Research Center
امید۳۶۲۸۸۲۰۲۵بزرگسالان آمریکاPew Research Center
غرور۲۷۱۶۱۱۲۰۲۵بزرگسالان آمریکاPew Research Center
پیمایش American Trends Panel، موج ۱۸۰، در فاصلهٔ ۲۲ تا ۲۸ سپتامبر ۲۰۲۵ انجام شده است. کل پیمایش ۳٬۴۴۵ پاسخ‌دهنده داشته و پرسش‌های مربوط به این چهار احساس از یک نیم‌نمونهٔ تصادفی شامل ۱٬۷۲۷ نفر پرسیده شده است. — Pew Research Center

اعتماد به دانشمندان در کشورهای منتخب (نمونه‌ای از مصورسازی داده‌های لرالینک)

پاسخ‌های پیمایش اغلب در قالب نسبت‌ها آسان‌تر از اعداد منفرد تفسیر می‌شوند. نمونه زیر توزیع اعتماد به دانشمندان را در چهار کشور با استفاده از داده‌های پایش جهانی ولکام مقایسه می‌کند.

کشوراعتماد زیاداعتماد متوسطاعتماد کمبدون نظر
بلژیک۴۲۴۸۸۲
اسپانیا۳۹۵۴۶۱
استرالیا۳۳۵۸۸۱
نیوزیلند۳۲۶۱۵۲
توزیع شاخص اعتماد به دانشمندان در پایش جهانی ولکام در چهار کشور منتخب. درصدها نشان‌دهنده پاسخ‌دهندگانی هستند که دارای اعتماد زیاد، متوسط یا کم، یا بدون نظر طبقه‌بندی شده‌اند. — پایش جهانی ولکام ۲۰۱۸، جدول ۳٫۲، شاخص اعتماد به دانشمندان.

اندازه‌گیری‌های بدن سه گونه پنگوئن جنوبگانی (نمونه‌ای از مصورسازی داده لرالینک)

اندازه‌گیری‌های گردآوری‌شده از پنگوئن‌های مجمع‌الجزایر پالمر در جنوبگان، امکان مقایسه هم‌زمان چندین ویژگی فیزیکی را فراهم می‌کنند. برای نمونه، ترسیم طول باله در برابر جرم بدن، تفاوت‌های میان پرندگان منفرد و گونه‌ها را به شیوه‌ای آشکار می‌کند که جدول به‌تنهایی قادر به نمایش آن نیست.

گونهطول منقار (میلی‌متر)طول باله (میلی‌متر)جرم بدن (گرم)
آدلی۳۹٫۱۱۸۱۳٬۷۵۰
آدلی۳۹٫۵۱۸۶۳٬۸۰۰
آدلی۴۰٫۳۱۹۵۳٬۲۵۰
جنتو۴۶٫۱۲۱۱۴٬۵۰۰
جنتو۵۰۲۳۰۵٬۷۰۰
جنتو۴۸٫۷۲۱۰۴٬۴۵۰
چانه‌بندی۴۶٫۵۱۹۲۳٬۵۰۰
چانه‌بندی۵۰۱۹۶۳٬۹۰۰
چانه‌بندی۵۱٫۳۱۹۳۳٬۶۵۰
مشاهدات منتخب از مجموعه‌داده پنگوئن‌های پالمر. هر نقطه نمایانگر یک پنگوئن اندازه‌گیری‌شده است؛ گونه‌ها را می‌توان به‌صورت رسته‌های جداگانه تشخیص داد. — گورمن، K. B.، ویلیامز، T. D.، و فریزر، W. R. (۲۰۱۴)، دودیسی جنسی بوم‌شناختی و تغییرپذیری محیطی درون یک جامعه از پنگوئن‌های جنوبگانی (سرده Pygoscelis)، PLOS ONE ۹(۳): e90081.

ناهنجاری‌های دمای سطح جهانی، ۲۰۲۱ تا ۲۰۲۴ (نمونه‌ای از مصورسازی دادهٔ لرالینک)

ناهنجاری‌های دما نشان می‌دهند که یک دورهٔ مشخص در مقایسه با میانگین مرجع بلندمدت، چقدر گرم‌تر یا سردتر است. تحلیل GISTEMP ناسا از دورهٔ ۱۹۵۱ تا ۱۹۸۰ به‌عنوان خط پایه استفاده می‌کند. سال‌های منتخب زیر نمونه‌ای فشرده از این‌که یک رستهٔ زمانی چگونه می‌تواند تغییر را در گذر زمان آشکار کند، ارائه می‌دهند.

سالناهنجاری دما (°C)
۲۰۲۱۰٫۸۵
۲۰۲۲۰٫۸۹
۲۰۲۳۱٫۱۷
۲۰۲۴۱٫۲۸
ناهنجاری سالانهٔ دمای سطح جهانی نسبت به خط پایهٔ ۱۹۵۱ تا ۱۹۸۰ ناسا. مقادیر نمایش‌داده‌شده در اینجا زیرمجموعه‌ای منتخب و اخیر از رکورد GISTEMP هستند. — مؤسسهٔ مطالعات فضایی گادرد ناسا، GISTEMP v4: تحلیل دمای سطحی GISS. GISTEMP با در دسترس قرار گرفتن مشاهدات و اصلاحات جدید، به‌طور پیوسته به‌روزرسانی می‌شود. داده‌های NASA GISS

می‌توانید متن خود را بنویسید یا محتوای نوع دیگری از پاره را وارد کنید. وقتی رضایت داشتید، می‌توانید آن را منتشر کنید، خصوصی نگه دارید، یا فقط با اعضای پلتفرم خود به اشتراک بگذارید. می‌توانید پانویس‌ها، ارجاع‌ها (هم کتابشناختی و هم پیوندهای خارجی)، و گزینه‌های قالب‌بندی مانند برجسته‌سازی، ضخیم‌کردن و ایتالیک‌کردن را اضافه کنید. همچنین می‌توانید نوع پاره را از نوار ابزار یا حتی زبان اصلی پاره خود را تغییر دهید. 

یک نهاد، صفحه نهادی مستقلی در لرالینک است. این صفحه نمایانگر بخشی متمایز از یک سازمان است که به هویت عمومی و شیوه خاص خود برای ارائه دانش نیاز دارد. برای نمونه، یک سازمان می‌تواند برای مرکز پژوهشی، دانشکده تحصیلات تکمیلی، واحد نشر، پلتفرم آموزش عمومی یا ابتکار اجتماعی خود نهادهای جداگانه ایجاد کند. هر یک از آن‌ها می‌تواند صفحه فرود، محتوا و ساختار دانش خود را داشته باشد و همچنان به همان سازمان بزرگ‌تر تعلق داشته باشد. نهادها ماژولار هستند. آن‌ها را می‌توان متناسب با ساختار و نیازهای هر سازمان ایجاد و شکل‌دهی کرد. بنابراین، یک نهاد لزوماً یک سازمان حقوقی جداگانه نیست. نهاد فضایی رو به عموم است که یک واحد سازمانی از طریق آن هویت، فعالیت‌ها و دانش خود را در لرالینک ارائه می‌کند.

لرالینک دانش را از طریق مجموعه‌ای از سطوح به‌هم‌پیوسته سازمان‌دهی می‌کند؛ از فضاهای عمومی نهادها تا کوچک‌ترین واحدهای دانشِ قابل استفادهٔ مجدد. ساختار چنین است: نهاد → برنامه → پرونده → رسته → دفتر → گردآورد → قطعه → پاره نهاد، فضای عمومی و سطح بالای این ساختار است. یک سازمان می‌تواند برای بخش‌های مختلف فعالیت خود، مانند یک مرکز پژوهشی، مدرسه، نشریه، جامعه یا ابتکار آموزشی، بیش از یک نهاد ایجاد کند. درون یک نهاد، دانش را می‌توان در قالب برنامه‌ها، پرونده‌ها، رسته‌ها، دفترها و گردآوردها سازمان‌دهی کرد. یک گردآورد، قطعه‌ها را در اثری معنادار گرد هم می‌آورد، مانند یک مقاله، فصل، درس یا ساختاری مشابه. قطعه، کوچک‌ترین واحد معنادار و قابل استفادهٔ مجدد دانش است. هر قطعه از یک یا چند پاره تشکیل می‌شود، مانند متن، تصویر، نقل‌قول، صدا، ویدئو یا دیگر عناصر محتوا. این ساختار به سازمان‌ها امکان می‌دهد مجموعه‌های پیچیدهٔ دانش را ارائه کنند و در عین حال، واحدهای دانش را کوچک، قابل استفادهٔ مجدد و به‌هم‌پیوسته نگه دارند.

یک موجودیت، شخص، سازمان، مکان، مفهوم، رویداد، اثر یا موضوع دیگری است که به‌روشنی شناسایی شده و در لرالینک با دانش پیوند دارد. موجودیت‌ها به لرالینک کمک می‌کنند تا بفهمد یک قطعه یا منبع درباره چیست. برای نمونه، یک قطعه درباره پائولو فریره ممکن است به موجودیت پائولو فریره، مفهوم تعلیم و تربیت انتقادی و اثر آموزش ستمدیدگان پیوند داشته باشد. موجودیت‌ها می‌توانند به قطعه‌ها و منابع بسیاری پیوند داشته باشند. این امر شبکه‌ای مشترک از دانش ایجاد می‌کند و در آینده به کاربران کمک می‌کند تا مطالب مرتبط را در برنامه‌ها، زبان‌ها و قالب‌های گوناگون کشف کنند. برخلاف یک کلیدواژه یا برچسب، یک موجودیت هویت مستقل خود را دارد و می‌تواند اطلاعات و رابطه‌های ساخت‌یافته داشته باشد.

یک منبع، محتوای اصلی‌ای است که از یک قطعه یا یک پاره پشتیبانی می‌کند، به آن آگاهی می‌بخشد یا برای آن شواهد فراهم می‌آورد. یک منبع می‌تواند کتاب، مقاله، مقاله پژوهشی، فصل، گزارش، وب‌سایت، سخنرانی، پادکست، ویدئو، مجموعه‌داده، آرشیو یا نوع دیگری از مرجع باشد. قطعه‌ها می‌توانند به یک یا چند منبع پیوند داده شوند. این کار نشان می‌دهد دانش از کجا می‌آید و تأیید، بررسی و استفاده مجدد مسئولانه از آن را آسان‌تر می‌کند. منبع با قطعه یکسان نیست. منبع، محتوای مرجع است؛ قطعه، واحد کوچک‌تر دانشی است که از آن ایجاد، استخراج، خلاصه، توضیح یا به آن متصل شده است. پیوند دادن قطعه‌ها به منبع‌ها به حفظ قابلیت ردیابی و شفافیت دانش کمک می‌کند.

یک پاره، عنصر بنیادی محتوا است که درون یک قطعه استفاده می‌شود. یک پاره می‌تواند یک بند، عنوان، نقل‌قول، تصویر، قطعه صوتی، ویدئو، فهرست، مورد تعبیه‌شده یا نوع دیگری از محتوا باشد. چند پاره را می‌توان با هم ترکیب کرد تا یک قطعه را تشکیل دهند. یک قطعه نمایانگر واحدی معنادار از دانش است. یک پاره نشان می‌دهد که آن دانش چگونه ساختاربندی و ارائه می‌شود. برای مثال، یک قطعه ممکن است شامل یک توضیح کوتاه، یک تصویر و یک نقل‌قول باشد. این‌ها سه پاره جداگانه درون همان قطعه هستند. پاره‌ها ویرایش، مرتب‌سازی، استفاده مجدد و نمایش محتوا در قالب‌های مختلف را آسان‌تر می‌کنند و در عین حال قطعه را به‌عنوان یک واحد منسجم حفظ می‌کنند.

یک قطعه کوچک‌ترین واحد معنادار دانش در لرالینک است. یک قطعه می‌تواند شامل یک ایده، توضیح، استدلال، مثال، نقل‌قول، تصویر، صدا، ویدئو یا شکل دیگری از دانش مفید باشد. باید به اندازه‌ای کوچک باشد که بتوان از آن دوباره استفاده کرد، اما به اندازه‌ای کامل باشد که در بافت خود معنا داشته باشد. هر قطعه هویت خاص خود را دارد. می‌تواند به منابع متصل شود، به زبان‌های دیگر ترجمه شود، بررسی و به‌روزرسانی شود، به قطعه‌های دیگر پیوند داده شود و در ساختارهای گوناگون قرار گیرد. یک قطعه به‌طور دائمی به یک مقاله، درس یا دوره تعلق ندارد. همان قطعه را می‌توان بدون ایجاد دوباره، در بافت‌های گوناگون استفاده کرد. این امر دانش در لرالینک را پیمانه‌ای، قابل‌ردیابی، انعطاف‌پذیر و آسان‌تر برای نگهداری می‌کند.

سامانه مدیریت محتوا (CMS) عمدتاً برای ایجاد، سازمان‌دهی و انتشار محتوا، مانند صفحه‌های وب، مقاله‌ها، پست‌ها یا رسانه‌ها طراحی شده است. لرالینک به‌جای صفحه‌ها، حول دانش طراحی شده است. در یک CMS معمولی، محتوا معمولاً برای یک صفحه یا انتشار مشخص ایجاد می‌شود. در لرالینک، دانش به‌صورت قطعه‌های کوچک‌تر و مستقل ذخیره می‌شود که می‌توان آن‌ها را بدون کپی‌کردن به هم متصل، ترجمه، بازبینی و بازاستفاده کرد و در ساختارهای مختلف قرار داد. یک CMS به شما کمک می‌کند محتوا را مدیریت کنید. لرالینک به شما کمک می‌کند روابط، معنا، بازاستفاده و توسعه دانش را مدیریت کنید. این امکان را فراهم می‌کند که از دانش یکسان در مقاله‌ها، راهنماها، دوره‌ها، پرونده‌ها یا تجربه‌های یادگیری مختلف استفاده کنید و در عین حال هویت و تاریخچه آن را دست‌نخورده نگه دارید.

یک سامانه مدیریت یادگیری (LMS) عمدتاً برای ارائه و مدیریت دوره‌ها طراحی شده است. این سامانه معمولاً یادگیری را حول ساختارهای ثابتی مانند دوره‌ها، ماژول‌ها، درس‌ها، تکالیف و فراگیران ثبت‌نام‌شده سازمان‌دهی می‌کند. لرالینک از نقطه‌ای متفاوت آغاز می‌کند: خود دانش. در لرالینک، دانش به‌صورت قطعه‌های کوچک و قابل استفاده مجدد ایجاد می‌شود که می‌توانند مستقل از هر دوره واحدی وجود داشته باشند. یک قطعه می‌تواند ترجمه، بازبینی، به دانش دیگر متصل، در مسیرهای یادگیری متفاوت دوباره استفاده، یا بدون تکثیر در چندین برنامه گنجانده شود. یک LMS معمولاً می‌پرسد: «چگونه این دوره را ارائه کنیم؟» لرالینک همچنین می‌پرسد: «چگونه این دانش می‌تواند در زبان‌ها و زمینه‌های مختلف مفید، متصل، قابل استفاده مجدد و در دسترس باقی بماند؟» لرالینک می‌تواند از دوره‌ها و یادگیری ساختاریافته پشتیبانی کند، اما دوره تنها یکی از راه‌های ممکن برای سازمان‌دهی دانش است.

لرالینک یک پلتفرم چندزبانهٔ دانش و یادگیری است که بر پایهٔ واحدهای کوچک و معنادار دانش ساخته شده است. لرالینک به‌جای آنکه دانش را درون کتاب‌ها، دوره‌ها، مقاله‌ها یا ویدئوها ثابت و محدود در نظر بگیرد، آن را به قطعات کوچک‌تری تقسیم می‌کند که می‌توانند به هم متصل شوند، ترجمه شوند، بازبینی شوند، دوباره استفاده شوند و به شیوه‌های گوناگون با هم ترکیب شوند (برای نمونه: همین پاسخ یک پاره از دانش است). این قطعات می‌توانند شامل ایده‌ها، توضیحات، استدلال‌ها، مثال‌ها، نقل‌قول‌ها، تصاویر، صدا، ویدئو و دیگر شکل‌های دانش باشند. لرالینک امکان سازمان‌دهی این قطعات را در ساختارهای بزرگ‌تر، مانند مقاله‌ها، مسیرهای یادگیری، راهنماها، درس‌ها و دوره‌ها فراهم می‌کند. همچنین همان دانش می‌تواند بدون آنکه از ابتدا بازآفرینی شود، در زبان‌ها، قالب‌ها و زمینه‌های گوناگون ظاهر شود. هدف این است که دسترسی به دانش باکیفیت، درک آن، پیوند دادن آن، مشارکت در آن و به‌اشتراک‌گذاری آن آسان‌تر شود.