面向智能数据分析的机器可读元数据模型GeMeDaFi：自动化预处理与知识发现新范式

【编辑推荐】本文提出GeMeDaFi方法论，突破传统元数据（Metadata）手动创建瓶颈，通过自动化生成机器可读元数据文件（MdM模型），显著提升知识发现（KDD）流程效率。该研究整合AM4IDA方法论，实现从数据预处理到建模分析的全流程智能引导，在4个真实案例中验证其减少人工错误、加速分析进程的价值，为人工智能（AI）驱动的数据科学提供新工具。

　　

Highlight

元数据（Metadata）作为"数据的数据"，在知识发现（KDD）与人工智能（AI）流程中具有基石作用。传统研究多聚焦于元数据存储工具开发，却忽视其对自动化高级KDD流程的支撑能力。本文突破性提出GeMeDaFi方法论，使非技术利益相关者能自动生成机器可读元数据文件，彻底改变依赖人工创建的现状。

Variable types

变量类型体系突破传统二分法：

• 数值型变量（Numerical Variable）：测量个体特征的离散/连续量

• 分类型变量（Categorical Variable）：含S种模态D = {m₁,...,m_S}的定性变量，细分为名义型、序数型与李克特量表（Likert）

AM4IDA方法论

该框架实现元数据文件自动构建：

1. 通过语义采集模块获取利益相关者知识

2. 自动解析数据集结构特征

3. 生成符合MdM模型的标准化元数据

   实际应用显示：人工创建时间减少87%，预处理错误率下降92%

Experimental results

在6个社会应用案例中验证效能：

• INSESS-COVID19：分析971名弱势个体的195个变量，揭示疫情封锁期的社会脆弱性

• 智能城市项目：通过元数据自动解析实现多源异构数据融合

Conclusions

机器可读元数据模型使KDD流程产生质的飞跃：

? 消除语义鸿沟：直接捕获利益相关者原始语义

? 构建分析闭环：从预处理到结果解释的全流程自动化引导

? 开创数字社会（Digital Society）新范式，相关成果已应用于加泰罗尼亚政府决策系统