综述：面向中小企业的基于知识图谱的数据治理：系统文献综述与社会技术框架

《INTERNATIONAL JOURNAL OF INFORMATION MANAGEMENT》：Knowledge graph–based data governance for small and medium-sized enterprises: A systematic literature review and socio-technical framework

　　

•系统回顾了2020年至2025年间发表的43篇基于知识图谱的数据治理研究。
•揭示了向语义和本体驱动方法转变的趋势，但大多数研究仍处于半自动化状态，聚焦于任务级别而非端到端的治理。
•识别出治理执行、组织角色和生命周期整合方面的关键差距，特别是在中小企业环境中。
•从社会技术角度重新定义了面向中小企业的基于知识图谱的数据治理，提出了九项设计原则和一个边界对象框架。

1. 引言

随着数据量和监管要求的持续增长，结构化的数据治理已不再是可选能力。数据治理对于提供监督、确保数据质量、实现监管合规、降低信息安全风险，以及使组织从信息资产中获取战略价值至关重要（Khatri和Brown，2010；Otto，2011）。目前已有多个知名的、通用的、成熟的数据治理框架，如DAMA-DMBOK框架（International，2017）和数据治理研究所（DGI）框架（Data Governance Institute，n.d.）。然而，这些框架往往针对大型企业设计，其嵌入的基础假设与中小企业所面临的现实状况存在较大偏差，因为两者的结构环境和运营环境存在显著差异。

中小企业的定义因当地和国际贸易背景及监管机构的上下文而异。本文依据员工数量，采用澳大利亚统计局（ABS）的定义。ABS将少于20名员工的企业定义为小型企业（包含0至4名员工的微型企业），将20至199名员工的企业定义为中型企业，由此推导出中小企业为少于200名员工的企业（Australian Bureau of Statistics，2024）。全球范围内，中小企业占所有企业总数的90%以上（International Finance Corporation，2024），但在主流治理文献和行业实践中却长期被忽视。与通常受益于正式治理结构、专业技术团队和多层监督的大型组织不同，中小企业以精简人员配置、多功能角色和非正式流程为运营特征（World Economic Forum，2023）。它们往往缺乏集中的数据所有权、文档化的政策或企业级工具，使得传统治理蓝图难以适用（Weber et al.，2009；Al Sulayyim et al.，2024）。此外，虽然大型企业可以在各部门间分配治理职责，但中小企业必须以远少的资源和极少的技术开销来管理类似义务。这些区别不仅仅是规模的差异，更反映了根本不同的运营环境。因此，中小企业需要的数据治理解决方案并非企业级模型的缩减版，而是专门为适应其能力、灵活性和约束条件而设计的。

鉴于这些中小企业需求和数据治理过程的知识密集型特征，知识系统和语义建模已成为灵活且透明的数据治理的有力推动者。随着非结构化和半结构化数据的兴起，基于知识图谱的语义建模正成为推荐系统等平台的基础元素，支撑实体解析、内容发现和跨复杂数据集的智能关联等功能（Peng et al.，2023）。尽管已有文献探讨了知识图谱在自适应系统设计、用户交互和知识管理中的潜力（Bandara和Rabhi，2020；Beydoun et al.，2020；Gill和Bandara，2024；Pandey et al.，2024），但其在数据治理系统中的战略整合仍处于萌芽阶段（Merono-Penuela et al.，2025；Oliveira et al.，2023）。

基于上述差距，本研究开展了一项系统文献综述（SLR），旨在考察近期研究如何将基于知识图谱的技术应用于组织数据治理，并特别关注其对中小企业的适用性。遵循PRISMA方法（Page et al.，2021），我们分析了2020年至2025年间发表于五大主要学术数据库的43篇同行评审研究。本综述采用结构化分析框架，评估技术方法、自动化机制、治理活动覆盖范围、数据生命周期覆盖范围、领域范围及中小企业相关性，并将这些发现映射至数据治理研究所（DGI）框架（Data Governance Institute，n.d.）。在此基础上，我们进一步提出了一个有理论支撑的关于治理如何在中小企业环境中落地实施的论述。该论述将焦点从纯粹的技术实现转向社会技术视角（Baxter和Sommerville，2011；Mumford，2006），即治理嵌入数据生命周期，由人通过技术来执行，而非简单地作为工具安装部署。

本文做出四项贡献。首先，它提供了近期基于知识图谱的数据治理方法的系统化综合，通过多个分析视角进行解读，包括核心治理活动、DGI框架的各组成部分、自动化水平和数据生命周期覆盖范围，从而揭示了单项研究未能呈现的结构性失衡。其次，它评估了这些方法对中小企业的适用程度，识别出八个反复出现的差距，即设计方案所假设的资源、专业技能和正式结构往往超出中小企业的实际拥有范围。基于这些发现，本文推导出九项设计原则，将数据治理重新定义为一种社会技术的、嵌入生命周期的实践。最后，本文提出的概念研究框架将知识图谱定位为连接定义、形式化及应用数据治理义务的各个社群的边界对象（Carlile，2004；Leigh Star和Griesemer，1989），并为后续研究指明了方向。

本文的其余部分结构如下。第2节提供支撑本研究的理论和概念背景，包括用于界定中小企业数据治理的社会技术视角。第3节概述研究方法论，详细说明检索策略、研究筛选过程和数据提取程序。第4节呈现系统综述的结果。第5节通过主题网络分析综合这些发现，识别出文献中涌现的关键差距。第6节提出一组设计原则并构建一个概念框架。第7节讨论这些发现的理论和实践意义，并指出未来研究方向。最后，第8节总结全文的关键洞察和贡献。

2. 背景与文献综述

2.1. 核心数据治理（DG）活动与框架

数据治理通常被概念化为一系列相互关联的活动，共同确保组织有效管理数据资产。在学术界和工业界文献中，这些活动通常被归纳为"定义"、"实施"和"监控"三个阶段。"定义"阶段确立治理的基础，包括战略、政策、标准、定义好的角色和决策结构。"实施"阶段将已定义的内容付诸实践，将治理实践嵌入流程、工具和组织结构中。"监控"阶段确保持续的合规性、有效性以及对不断变化的需求的适应能力（Alhassan et al.，2018；International，2017；Otto，2011）。

数据治理的学术文献中包含多种框架，侧重于概念清晰度和理论支撑。Khatri和Brown（2010）的早期工作强调决策权、问责制和监管职能作为核心要素；Otto（2011）提出了涵盖组织角色、决策领域和信息政策的多维模型。Abraham et al.（2019）引入了一种模块化方法来构建治理功能，近期研究则包括行业或能力特定框架，如Pansara（2023）的主数据治理模型和Duzha et al.（2023）的"数据治理即服务"概念。虽然这些框架推动了学术讨论，但它们往往高度抽象，缺乏可操作的实施步骤，或者假设实施是在成熟的基础设施上由专门的治理团队完成的。其核心关注点在于治理的"定义"阶段，对"实施"和"监控"活动提供的支持有限。它们很少涉及中小企业的具体考虑因素，如精简人员配置、预算限制和非正式决策结构（Al-Ruithe et al.，2019；Weber et al.，2009）。这些差距表明，尽管学术模型在概念层面较为完善，但仍与中小企业的运营现实存在偏差。

先前的工作（Al Sulayyim et al.，2024）对工业界开发的框架进行了全面回顾，指出这些框架侧重于数据治理的运营化和实际落地应用，对中小企业的适用程度参差不齐。在这些行业方法中，数据治理研究所（DGI）框架因其兼具概念清晰度和实践实施指导而被广泛认可。

DGI框架包含十个组成部分，共同建立了一种价值驱动的治理方法：首先确立为什么需要治理，明确其使命和预期价值；然后澄清这些价值为谁服务，通过明确识别利益相关者；最后定义必须执行什么活动以及它们应如何运营化。这种结构化方法创造了一个全面但灵活的框架，可以适应不同规模和治理成熟度的组织（Al Sulayyim et al.，2024）。鉴于这些优势，DGI框架被用作本研究的分析视角，详见第3节方法论和第4节结果。DGI组件与定义、实施和监控活动的映射如表2.1所示，作为本综述的分析视角在此引入。先前的综述从中小企业适用性角度刻画了这些组件，而当前的映射则关联每个组件所支撑的核心治理活动，为分类所审查的研究提供了基础。

表2.1. DGI框架组件与DG核心活动的映射。

| DGI组件 | 描述 | 映射DG核心活动 |
|---------|------|----------------|
| 1. 使命与价值 | 定义数据治理项目的总体目标，聚焦于通过优化数据资产、降低成本和风险、提高效率来交付价值。 | 定义 |
| 2. 数据治理项目的受益者 | 识别利益相关者并确保其数据相关需求得到满足。 | 定义 |
| 3. 数据产品 | 符合治理标准的可复用数据资产（数据集、模型、仪表板）。 | 定义、实施 |
| 4. 管控措施 | 通过预防性或纠正性机制进行风险管理，以确保合规性和质量。 | 定义、实施 |
| 5. 职责 | 定义与数据相关行动和决策的角色与责任。 | 定义、实施、监控 |
| 6. 决策权 | 规定谁可以在何时、在何种条件下做出数据相关决策。 | 定义、实施、监控 |
| 7. 政策与规则 | 制定数据政策并将其转化为可操作的指导方针。 | 定义、实施、监控 |
| 8. 数据治理流程、工具、沟通 | 建立标准化的、可重复的流程，辅以工具和沟通策略。 | 定义、实施 |
| 9. 数据工作计划 | 将治理倡议组织为具有定义好的生命周期和指标的结构性项目。 | 定义、监控 |
| 10. 数据治理参与者 | 定义治理机构、监管人员和保管人员的角色。 | 定义、实施、监控 |

2.2. 中小企业的**数据治理挑战

我们根据该领域的关键文献（Abraham et al.，2019；Alhassan et al.，2018；World Economic Forum，2023），识别出六个将传统治理模式适配于中小企业时的关键挑战（C1–C6），如表2.2所述。

表2.2. Al Sulayyim et al.（2024）报告的中小企业**数据治理挑战。

| 挑战代码 | 中小企业**数据治理挑战描述 |
|---------|------------------------|
| C1 | 有限的人力和财力资源，限制了分配治理职责或采用技术平台的能力。 |
| C2 | 合规负担，中小企业与大型企业一样承担相同的监管义务，但缺乏有效落实的能力。 |
| C3 | 信息技术成熟度低，通常表现为分散存储、未记录的元数据和有限的访问控制系统。 |
| C4 | 既定正式数据治理流程的假设与中小企业常见的非正式、临时性流程现实之间的不匹配。 |
| C5 | 难以证明治理工作的投资回报率（ROI），特别是当可见成果延迟时。 |
| C6 | 集中化和非正式的决策结构阻碍了可追溯性和问责制。 |

2.3. 现有的数据治理文献综述

现有数据治理文献综述大多范围广泛，并未聚焦于知识图谱技术与中小企业情境之间的特定交叉点。例如，Bli?nák et al.（2024）和Bernardo et al.（2024）近期的系统综述提供了通用数据治理框架和实践的有价值概述，但主要针对大型组织，未涉及中小企业典型面临的资源限制和非正式结构问题。类似地，Acev et al.（2025）在数据信托的背景下分析了数据治理框架，为组织间数据共享提供了洞见，但未解决与中小企业相关的需求或语义技术。同时，Merono-Penuela et al.（2025）等概念性工作探索了知识图谱作为AI系统治理骨干的潜力，但这些不是全面的综述，且仍侧重于技术层面而非整体治理框架。唯一专门针对中小企业的系统综述由Alsousi和Shah（2022）完成，但其聚焦于中小企业的采纳因素。因此，目前尚不存在一个全面的、及时更新的文献综合，该综合考察了数据治理的知识化方法，同时考虑到中小企业的独特约束条件——这正是本研究试图填补的空白。

为了在企业中心主义治理之外的覆盖范围上进行对标，我们将其工作与相邻的综述文献进行了比较，涵盖（i）数据治理、（ii）数据生态系统治理和（iii）元数据管理与治理。先前的数据治理综述已整合了定义、治理机制和研究议程（Abraham et al.，2019），也综合了专业化领域的研究，如云数据治理和混合的学术与工业证据（Al-Ruithe et al.，2019）。一个反复出现的观察是，学术研究侧重于定义治理，而实践导向的来源则在实施和监控活动方面包含更丰富的细节（Alhassan et al.，2018）。

最近的系统综述（SLR）为数据治理的主流主题和差距提供了最新的基线（Bli?nák等，2024年），而对跨组织数据治理框架（例如数据信托）的系统分析强调了需要能够促进多方利益相关者之间可信数据共享的治理组件（Acev等，2025年）。在相邻生态系统研究中，跨组织治理综述围绕网络层面的概念结构来组织该主题（Jagals与Karger，2021年），而数据生态系统/数据空间综述则突出了分散决策权、参与式治理和互操作性挑战作为多方数据共享中的核心问题（Heinz等，2022年，Schurig等，2024年）。与此同时，以元数据为中心的综述揭示了元数据定义和复用的持续模糊性（Ulrich等，2022年），以及企业数据目录和目录工具在元数据生命周期支持、治理和协作中的日益重要性和当前局限性（Petrik等，2023年，Tonnarelli等，2025年）。总体而言，这些综述表明，对于治理概念、机制和工具需求的研究覆盖充分，但它们仅部分地探讨了如何通过正式语义制品来操作化治理。这支持了本研究将其定位为一项补充相邻领域的综述，专注于利用面向实践者的分析视角，基于知识图谱对数据治理进行语义操作化。此外，近期基于机器学习的监控和工业环境中数据驱动优化的进展已在文献中广泛报道（Ali等，2024年，Ali等，2025年，Zhang等，2017年）。这些发展实现了实时分析、预测性决策制定以及在复杂系统中提升运营效率。这种对数据驱动和AI赋能系统日益增长的需求，进一步放大了对稳健、可扩展且具备情境感知能力的数据治理机制的需求（Ahmed和Milani，2025年，Xie等，2025年），尤其是在组织结构非正式且资源有限的环境（如中小企业）中尤为如此。

2.4. 知识图谱与数据治理
谷歌于2012年引入了“知识图谱”（KG）这一术语，作为一种提升搜索准确性和情境感知能力的工具。此后，知识图谱在推荐系统、自然语言处理、生物医学信息学和企业数据集成等领域被广泛采用，在这些领域中，从复杂数据生态系统中发现关联并推导洞察至关重要（Hogan等，2021年）。知识图谱是一种语义技术，旨在以图结构来表示现实世界实体（例如人物、组织、数据资产）及其之间的关系，并结合元数据和正式的本体论基础进行增强。与优化用于存储表格数据的传统数据库不同，知识图谱能够捕捉并连接复杂关系，从而在异构的结构化与非结构化数据源之间实现推理、语义搜索和情境化分析。知识图谱通常基于W3C语义网标准构建，这些标准定义了此类知识的表示和查询方式。资源描述框架（RDF）使用“主语-谓语-宾语”三元组提供底层的图模型；而Web本体语言（OWL）则在此基础上扩展了更丰富的语义，用于定义类、关系和逻辑约束。SPARQL作为查询语言，用于检索和分析存储在RDF图中的数据；SHACL（Shapes约束语言）则指定了验证规则，以确保图数据符合所需的结构和策略。这些标准共同支持自动化推理、约束验证、血统追踪和跨系统集成，使知识图谱特别适合在可追溯性、问责制和语义清晰度至关重要的数据治理环境中使用（Gangemi和Presutti，2009年，Hogan等，2021年）。

在数据治理领域，知识图谱正日益被视为应对碎片化数据环境、手动策略管理和有限的可见性（针对数据血缘和质量）等挑战的一种手段。其语义结构使得治理逻辑（例如策略、决策权、监管角色和问责关系）可以被表示为机器可读的模型。这促进了针对治理规则的自动化推理、可追溯的决策过程以及情境化的数据发现（Merono-Penuela等，2025年）。与主要关注描述性数据的传统元数据目录不同，知识图谱创建了一种互联且可查询的治理知识模型。这使得治理能够从文档化的治理转变为可执行的治理知识层，其中策略条款、角色职责和数据处置规则可以被直接编码到系统中，从而提升透明度、可追溯性和适应性（Peng等，2023年）。

由于这些表示形式是显式且形式化的，它们支持针对治理概念的自动化推理，使系统能够检查资产是否被正确分类、是否被妥善存储、是否被共享给获许可的接收方，或者是否按照组织规则进行处理。这种语义表达能力还支持持续监控，因为SHACL约束可以附加到本体类上，并在验证时执行以检测违规情况。通过这种机制，知识图谱为“策略即数据”提供了基础，即治理逻辑被直接嵌入到运营流程中，而不是通过人工解读来执行（Gangemi和Presutti，2009年，Hogan等，2021年，Oliveira等，2023年，Peng等，2023年）。

知识图谱还提供了高度的模块化和可扩展性，允许治理模型随着新策略、数据域或组织需求的出现而逐步演进。其无模式、基于图的结构简化了异构系统之间的集成，使得治理规则可以跨越数据存储、平台和应用场景，而无需依赖僵硬的集中式架构。这一特性与中小企业通常拥有的碎片化数据环境高度契合，在这种环境中灵活性和易于采纳至关重要（Hogan等，2021年，Merono-Penuela等，2025年，Oliveira等，2023年）。

知识图谱的这些品质和能力使其成为解决第2.2节中详述的某些中小企业治理挑战的理想候选方案。然而，将知识图谱战略性地整合到运营治理框架中仍处于萌芽阶段（Merono-Penuela等，2025年，Oliveira等，2023年），且尚未在中小企业背景下得到探索。本系统综述旨在识别并评估关于知识图谱驱动的数据治理解决方案如何被设计和使用的新兴工作，特别关注其对中小企业的适用性。

尽管本综述聚焦于知识图谱与数据治理的交叉领域，但必须承认相邻研究领域中不断涌现的成果正在对治理设计产生越来越大的影响。特别是，关于人工智能数据治理的最新研究强调了在数据和算法系统中实现透明性、问责制以及结构化监督的必要性（Janssen等，2020年）。与此同时，基础数据治理研究强调了明确定义的决策权、问责制结构以及治理实践在组织中的嵌入重要性（Khatri和Brown，2010年，Otto，2011年）。这些视角强化了语义技术不仅是数据集成工具的角色，更是实现问责且可解释的治理机制的促进因素。尽管这些领域并非本综述的主要焦点，但它们为超越纯粹技术建模来理解治理提供了重要的背景基础。

3. 方法
3.1. 综述设计
受研究问题的引导，本综述遵循PRISMA 2020方法（Page等，2021年），以确保透明度和可重复性。以下子部分详细列出了研究问题，随后是三个PRISMA阶段：
• 识别阶段：定义搜索方案。
• 筛选与资格阶段：研究选择。
• 综合阶段：数据提取与主题分析。

图3.1提供了研究设计和分析结构的概览，说明了综述是如何从问题构建推进到综合发现的。
下载：下载高分辨率图片（579KB）下载：下载全尺寸图片
图3.1. 综述设计、分析框架和综合发现概览。

3.2. 研究问题与理论视角
本综述由一系列聚焦的研究问题驱动，以考察基于知识图谱的方法如何操作化数据治理，以及其对中小企业的适用性。我们将问题设定在几个理论视角下——核心治理活动（定义、实施、监控）、十个DGI组件和数据生命周期，以确保综述的理论严谨性。鉴于DGI框架与面向实践者的治理设计高度契合，本研究将其作为主要分析视角。本研究设计的研究问题及其目标如下：
• RQ1：已识别的研究涵盖了哪些核心数据治理活动？
- 目标：识别在文献中被优先考虑的治理阶段（定义、实施、监控）。
• RQ2：所提出的解决方案如何映射到DGI框架？
- 目标：将已识别的研究映射到第2.1节列出的DGI框架的10个组件。
• RQ3：所提出的解决方案如何与传统数据生命周期阶段（即摄入、集成、转换、存储、分析、访问）相匹配？
- 目标：确定治理是嵌入在整个数据生命周期中，还是集中在有限的技术阶段，揭示对中小企业的风险。
• RQ4：所提出方法的关键特性是什么？
- RQ4.1：所提出的方法是理论性的还是实践性的，是否聚焦于中小企业？
- 目标：了解模型是否能在现实中的中小企业环境中实施，还是仅停留在概念层面。
- RQ4.2：所提出的方法在组织环境中如何运作（手动还是自动化）？
- 目标：评估解决方案是否通过自动化治理活动来减轻中小企业的运营负担。
- RQ4.3：研究的行业背景是什么？
- 目标：考察模型是狭义的领域特定的，还是可转移到具有多样且精简结构的中小企业中。
• RQ5：研究的已知局限性是什么？
- 目标：综合现有模型中反复出现的弱点，并突出未来研究必须关注以支持中小企业的领域。

用于形式化搜索查询的两个搜索概念（表3.1）与这些问题所考察的范围直接对应：概念1（数据治理）是RQ1和研究中应用的治理框架（RQ2）的焦点，而概念2（知识图谱和本体论）则指代所提出解决方案的类别，其在RQ2至RQ5中考察其覆盖范围和特性。第4.2节 RQ1：涵盖的核心数据治理活动，4.3节 RQ2：映射到DGI框架组件，4.4节 RQ3：数据生命周期覆盖范围，4.5节 RQ4.1：研究的性质：实践设计与中小企业适用性，4.6节 RQ4.2：运营方法：自动化水平，4.7节 RQ4.3：研究的行业背景，4.8节 RQ5：已报告的局限性基于已识别的研究，呈现了针对每个研究问题的综合答案。
表3.1. 系统综述的概念表。

3.3. 识别阶段：定义搜索方案
鉴于本系统综述旨在理解和评估最新文献如何利用知识图谱实施数据治理，我们制定了一个详细且透明的搜索策略，以指导相关研究的识别、选择和评估，确保综述过程的可重复性和可靠性。本节定义了所选数据库、搜索关键词、布尔运算符、筛选策略以及纳入和排除标准。

3.3.1. 选择数据库和数字图书馆
为确保对相关文献的全面覆盖，我们基于其在数据治理和语义技术的理论与技术方面的多学科覆盖范围，选择了以下一组权威的学术数据库和数字图书馆：ScienceDirect（Elsevier）、IEEE Xplore、SpringerLink、ACM数字图书馆和Scopus。

3.3.2. 制定搜索字符串
为了构建全面且包容的搜索策略，我们开发了一张概念表（表3.1）以反映我们的目标范围，旨在保持搜索足够广泛以捕捉相关研究。通过背景研究、专家咨询和参考专业术语表，该表将研究问题中的核心思想映射到标准化术语及其常用同义词上。为了提升搜索结果的精确性和相关性，我们过滤掉了冗余或过于宽泛的术语。
在每个概念内部，主要术语和备选术语通过OR运算符组合，两个概念之间则使用AND运算符组合。最终的搜索字符串是通过迭代试点测试逐步优化的，而不是一开始就采用的。单一概念的宽泛组合，例如用一个治理术语与一个图术语通过OR连接，返回了非常大且不精确的结果集，在Scopus上返回数十万条记录，在IEEE Xplore上返回数千条。使用AND组合两个概念显著提高了精确性，而在每个概念内保留通过OR连接的同意词，则能恢复出使用替代术语、否则会被遗漏的相关研究。这一过程产生了最终采用的查询：(("data govern*") OR ("information govern*")) AND (("knowledge graph*") OR ("ontolog*"))。
我们并没有在单一索引上开发查询，而是将同一个概念一致的查询应用于所有五个数据库。只根据其表面语法（即字段标记和通配符支持）进行了平台适配，同时保留了布尔结构和含义。对于不支持通配符的数据库（SpringerLink和ScienceDirect），我们使用了显式的单数和复数术语变体来保持等效的召回率。

3.3.3.

## 纳入与排除标准的界定

为确保所纳入研究的质量和相关性，在摘要筛选和全文筛选两个阶段均应用了一套纳入和排除标准：

**纳入标准**
- 发表于2020年至2025年之间
- 以英语撰写
- 同行评审的期刊文章或会议论文
- 可通过悉尼科技大学（UTS）图书馆获取
- 聚焦于涉及知识图谱或本体论的数据治理框架的设计或开发
- 采用严谨的研究方法且具有实际相关性

**排除标准**
- 以英语以外的语言撰写或发表于2020年之前
- 非同行评审的来源（如社论、白皮书）
- 无法通过UTS图书馆门户免费获取的研究
- 综述论文和调查研究
- 与组织数据治理无关的研究
- 未采用知识图谱或本体论的研究

值得注意的是，排除非同行评审文章或灰色文献是学术严谨性与实践广度之间的有意权衡。虽然本综述聚焦于同行评审的学术文献以确保方法论的严谨性和可复现性，但作者承认许多数据治理实践和创新源自行业框架、标准机构和从业者报告。以往研究表明，这些框架在塑造现实世界的治理实践中发挥着重要作用，特别是在组织环境中（Alhassan等人，2018）。具体而言，作者先前的研究（Al Sulayyim等人，2024）考察了学术文献和灰色文献中的数据治理框架，指出被广泛采用的从业者框架（如DAMA框架和数据治理协会（DGI）框架）提供了实用且面向实施的指导，但往往假设了中小企业（SMEs）不具备的资源可用性和组织成熟度。

### 3.4 筛选与资格评估阶段：研究选择流程

为确保完全透明，整个筛选和选择流程如图3.2所示，最终得出43项研究，详见附录A（表A.1）。为增强可复现性，筛选工作采用与研究问题及纳入排除标准一致的预定义方案进行。标题和摘要筛选以及全文资格检查由两名作者完成，任何分歧通过讨论和共识解决。决策在试点筛选过程中经过迭代优化以减少不一致性。

**图3.2 系统文献综述研究选择流程的PRISMA流程图**

我们还进行了结构化质量评估，该评估改编自先前的系统综述工作（Dyb? & Dings?yr，2008），采用表3.2中的标准以增强可复现性并识别个别研究中潜在偏倚来源。任何不满足所有标准的研究均被排除。

**表3.2 改编自Dyb?和Dings?yr（2008）的质量评估标准**

| 质量标准 | 描述 |
|---------|------|
| Q1. 研究目标明确 | 清晰陈述目标和研究问题 |
| Q2. 背景描述充分 | 充分描述行业背景和假设 |
| Q3. 发现/评估报告清晰 | 明确的结果（如原型结果、案例研究发现、评估指标） |
| Q4. 讨论研究意义 | 讨论实践和/或理论意义及局限性 |

### 3.5 综合阶段：数据提取与综合分析

数据提取和编码以3.2节中详述的研究问题为指导。我们采用定性综合分析方法，辅以结构化分析视角（核心治理活动、DGI组件和数据生命周期阶段）以及主题网络分析。鉴于所纳入研究以概念性和设计性为主，元分析等统计汇总方法不适用，因为这些研究未报告可比较的定量结果或标准化评估指标。

证据作为与DGI框架、中小企业挑战和数据生命周期阶段相一致的结构化架构进行收集，辅以同行讨论，并通过基于共识的分歧解决方式和解析备忘录来增强可靠性和可审计性。此外，研究根据其实施成熟度水平进行分类，区分概念性提案、原型级实施和经实证验证的系统。这种分类支持了对实际适用性的评估，并有助于识别与验证和操作成熟度相关的跨研究局限性。语料库中潜在的一个偏倚是概念模型与实证验证实施之间的不平衡，这可能过度表征了拟议方案相对于现实世界证据的比重。这一偏倚通过明确将实施成熟度纳入分析并将验证局限性作为跨研究主题进行报告来加以处理。定性综合分析方法的发现在第4节中报告。

为了更系统地解释综合模式，我们应用了Attride-Stirling（2001）开发的主题网络分析方法，该方法已被广泛采用于定性信息系统研究中（如Gill等人，2015；Urquhart等人，2010）。该方法将新兴主题结构化为三个层次：基本层、组织层和全局层，并便于可视化具体发现与整体挑战之间的概念关联。

通过分析过程，我们将分析观察结果聚类为相互关联的主题结构化网络。最终的主题网络在第5节中呈现（图5.1），揭示了基于知识图谱的治理方法中的局限性如何围绕更深层的结构、生命周期和语境错位汇聚。

## 4. 研究结果

### 4.1 建模方法概览

分析43项研究的时间线表明，如图4.1所示，语义技术在数据治理中的应用从2020年到2023年呈明显上升趋势。研究数量在2022年和2023年之间显著增加，2023年达到峰值14项研究，2024年和2025年初略有下降。目前尚无法确定这代表的是暂时波动还是出版模式的变化，2025年的新兴文献可能尚未被索引数据库收录。

**图4.1 语义技术在数据治理中应用的激增**

研究的增长可能反映了从概念性讨论向语义技术在数据治理环境中的操作性应用（特别是本体论和知识图谱）的转变。这一观察也验证了我们纳入过去五年（2020–2025）文献的决策，确保综述捕捉到近期的研究势头。

在43项受审研究中，主导性的数据治理建模结构方法是使用语义技术。在这些研究中，治理概念如策略、角色、数据资产、血缘关系和质量约束等被正式地用本体论和知识图谱表示。这些机器可读的结构通常与声明式规则构件相结合，以自动化治理流程，如策略执行、访问控制和合规监控。表4.1还提供了已识别文献中建模方法的概览。语义建模占据了43项研究中的35项，这与我们在文献检索中使用"本体论"和"知识图谱"作为关键词的预期一致（第3.1节）。较小一部分研究（4/43）将语义层整合到更广泛的数据架构模型中，如数据网格（data mesh）或数据编织（data fabric），以去中心化数据所有权，同时保持互操作性和治理一致性。其余研究采用不同方法：系统建模框架（S8）、操作性数字孪生和同意模型（S17）、用于量化治理特性的数学建模技术（S29），以及纯粹概念性或哲学性的治理模型，强调社会技术结构而非软件层面的实施（S35、S39）。总体而言，这些发现表明了一种明确的趋势，即将治理表示为机器可读的知识，并通过规则、约束和推理机制使其操作化，使用模型确保治理以可执行的方式定义。

**表4.1 受审研究中数据治理的主要设计表示**

| 主要设计表示 | 定义 | 研究编号 | 数量(n) |
|------------|------|---------|--------|
| 语义技术 | 治理概念如策略、角色、资产、血缘关系和质量约束被形式化为本体论和/或知识图谱，通常与声明式规则构件耦合以实现执行和监控。 | S1, S2-S7, S9-S14, S16, S18-S21, S24-S28, S30-S34, S36-S38, S40-S43 | 35 |
| 数据架构模型与语义技术 | 将数据网格或数据编织等架构范式与语义层结合，支持去中心化治理，同时保持互操作性和共享控制。 | S3, S15, S22, S23 | 4 |
| 系统/建模框架 | 非语义的治理框架，规定流程、角色和结构，但不涉及显式的语义编码。 | S8 | 1 |
| 操作性数字孪生与同意模型 | 聚焦于操作性构建，如同意管理或数字孪生表示，作为控制和审计数据流程的机制。 | S17 | 1 |
| 数学建模技术 | 使用定量或代数方法建模治理特性，如清晰度、一致性和数据价值指标，而非语义技术。 | S29 | 1 |
| 概念/哲学模型 | 将治理概念化为社会技术现象，强调角色、问责和价值，而不实施技术表示。 | S35, S39 | 2 |

表4.2总结了各研究相关的建模技术和语境。大多数研究（28项）使用Web本体语言（OWL）定义本体论。这与14项研究中使用知识图谱和基于RDF的结构以生成互连数据集合和丰富元数据集成相辅相成。策略建模也很常见（13项研究），使治理策略能够表达为机器可执行的规则以实现合规和决策。基于规则的推理引擎（如SWRL和SHACL）出现在10项研究中，允许对治理行为进行自动化验证、执行和解释。更专门化的技术则较少见。区块链在4项研究中被识别。在研究S17和S23中，区块链被被动地用作安全账本，提供不可篡改、可审计的同意交易或数据共享事件记录，确保参与者之间的信任而不自动化执行。相比之下，研究S34和S40将区块链扩展为智能合约，将治理规则直接嵌入区块链层。这使得可以自动执行策略，如阻止不合规的数据传输或撤销过期的权限，无需人工干预。

**表4.2 受审研究中建模技术与语境**

| 技术层面的建模方法 | 描述 | 数量(n) | 研究编号 |
|----------------|------|--------|---------|
| 本体论/OWL | 使用Web本体语言（OWL）对治理概念如策略、角色和约束进行正式表示。 | 28 | S1, S2, S4-S7, S9-S14, S16, S18, S19, S20, S24, S25, S26, S28, S30-S34, S37, S38, S43 |
| 技术 | OWL2, Protégé | — | — |
| 知识图谱/RDF | 以图形编码机器可读的数据关系，用于链接实体、策略和治理元数据。 | 14 | S1, S2, S5, S9, S10, S11, S24, S27, S30, S31, S32, S40, S41, S42 |
| 技术 | RDF, Neo4j, SPARQL | — | — |
| 策略建模 | 将治理策略编码为机器可执行的规则，以实现合规、访问控制和决策。 | 13 | S4, S6, S7, S14, S18, S20, S22, S23, S28, S32, S33, S34, S40 |
| 技术 | OrBAC, PROV-O | — | — |
| 基于规则的推理引擎 | 声明式规则引擎和约束语言，用于对治理策略进行自动化验证、执行和监控。 | 10 | S4, S6, S7, S14, S18, S21, S28, S32, S33, S34 |
| 技术 | SWRL, SHACL | — | — |
| 区块链（账本基础设施） | 区块链被被动地用于以防篡改、可审计的账本记录治理相关事件，如同意或数据共享日志。 | 2 | S17, S23 |
| 技术 | Hyperledger Fabric, Private Ethereum | — | — |
| 区块链+智能合约（自动化执行） | 区块链扩展为智能合约以主动执行治理策略，自动触发动作如撤销访问或阻止不合规传输。 | 2 | S34, S40 |
| 技术 | Solidity, Hyperledger Composer | — | — |

这些发现表明，虽然对区块链等其他新兴技术的实验确实存在，但该领域在很大程度上已确立了一个语义优先的范式，即治理通过本体论和知识图谱进行编码，辅以基于规则的引擎，并在需要信任或自动化时有选择性地增强区块链基础设施。以下章节将通过回答第3.3节中定义的研究问题来探讨这些建模方法和技术的应用。

### 4.2 RQ1：涵盖的核心数据治理活动

为了解在基于知识图谱的方法中数据治理是如何操作化的，受审研究被映射到三大核心治理活动的视角中：定义、实施和监控，如附录A中的表A.2所示。如图4.2所示，受审研究在三项活动上的分布不均匀。大多数研究侧重于定义和实施治理措施，而监控则严重不足。

- **定义（93%的研究）**：40项研究以某种形式解决了治理的定义问题，无论是通过指定本体论、策略规则还是元数据结构。这表明强烈倾向于使用语义模型建立治理基础，如数据模型、语义词汇表和合规要求。

- **实施（86%的研究）**：37项研究展示了实施活动，包括语义管道、访问控制执行或使用SHACL和SPARQL的规则验证。这些实践实例表明实施通常与技术自动化相结合，反映了语义技术的优势。

- **监控（9%的研究）**：相比之下，只有4项研究明确将监控作为独立的治理活动加以纳入。虽然一些研究涉及持续验证或合规检查，但很少有研究建立反馈回路、持续审计或治理有效性评估的机制。在这4项研究（S6、S19、S28和S34）中，S6将监控作为全周期实施的一部分，在生产环境（Telefónica）中使用本体驱动的规则验证和运行时反馈回路。它实现了基于本体的推理，以持续监控大数据环境中的数据质量、安全和集成。它使用共享知识平面和SWRL规则来自动化策略合规并跟踪违规情况。然而，监控主要集中在IT资产上，对角色问责、决策可追溯性或战略绩效指标的集成有限。S19和S28将监控框架化为独立的评估层，并用于自动化透明度评估，应用FAIR和链接数据质量指标（如来源、可用性、可解释性）。它们未将这些指标与已实施的治理行动联系起来，且与治理执行或策略演进机制脱节。

S34 展示了通过嵌入在区块链支持的取证系统中的智能合约进行监控，从而实现可追溯的决策日志记录和不可变的记录保存。然而，系统的复杂性和领域特定性（执法）降低了其通用适用性。该研究也没有嵌入治理定义或决策路径。下载：下载高分辨率图像 (48KB) 下载：下载全尺寸图像图 4.2. 研究在三个核心数据治理活动中的分布。支持监控活动的研究分布不平衡表明，尽管大多数模型强调治理政策的定义和实施，但在支持持续合规监控的机制方面却有所欠缺。因此，治理监督的连续、适应维度在文献中仍然在很大程度上发展不足，揭示了部署后维持治理的显著差距。

4.3. RQ2：映射到 DGI 框架组件
我们将 43 项研究映射到 DGI 框架的十个组件中，以评估现有方法在整合治理的战略、组织和技术方面的覆盖情况。这一视角补充了图 4.2 中提出用于回答 RQ1 的高级基于活动的观点。虽然这些活动将治理视为一个过程，但 DGI 框架提供了更具结构化和基于角色的分解，识别出有效治理所需的组织、程序和技术元素。图 4.3 展示了 43 项研究中每个 DGI 组件被处理的相对频率，而表 4.3 提供了详细的映射和描述。下载：下载高分辨率图像 (177KB) 下载：下载全尺寸图像图 4.3. 43 项研究中 DGI 框架组件覆盖的频率。表 4.3. 审查研究到 DGI 框架组件的映射。DGI 组件组件覆盖率研究 ID 组件覆盖方式1. 使命与价值23%S1, S19, S35, S36, S37, S38, S39, S40, S41, S42主要涉及为数据治理设定战略目标、定义价值创造以及将语义技术与治理使命联系起来。2. 受益者12%S1, S13, S35, S39, S41通过识别数据治理的最终用户和利益相关者进行讨论，通常专注于领域特定的受益者。3. 数据产品14%S1, S3, S19, S36, S41, S42通过创建和治理可重复使用的数据集、知识图谱和领域特定的语义模型来涵盖。4. 控制91%S1-S23, S25, S28-S38, S40-S43研究使用本体、SHACL、政策或基于规则的模型来强制执行合规性、访问控制和用法约束。5. 问责制44%S1, S5, S7-S12, S14- S17, S22, S23, S34, S37, S40, S41, S43通过角色、责任和问责机制进行处理，通常映射到本体实体或工作流责任中。6. 决策权21%S18, S31-S34, S37-S40出现在建模谁拥有数据访问、集成或语义对齐决策权威的研究中。7. 政策与规则86%S1-S18, S20-S25, S27, S28, S31-S37, S40- S43通过明确的治理政策、语义规则集、访问控制政策和法规合规模型进行建模。8. 流程、工具、沟通79%S1-S4, S6-S11, S13, S14, S15, S17, S18, S20-S24, S26, S27, S29, S30-S33, S35-S37, S40-S43通过治理架构、语义管道、元数据管理工具以及治理决策的沟通来涵盖。9. 数据工作项目49%S2, S3, S5-S12, S16, S22-S24, S27, S31, S34, S37, S40, S42, S43在结构化治理活动、项目工作流和持续治理倡议的背景下进行讨论。10. 参与者28%S2, S4, S6, S28, S30, S33, S37, S38-S40, S42, S43当研究明确将人员、角色或组织作为治理框架中的参与者时涵盖。最常处理的组件是控制（91%）、政策与规则（86%）以及流程、工具和沟通（79%）。这些组件通常通过技术方案实施，例如访问限制、审计跟踪、基于规则的推理和工作流自动化，通常利用语义技术，如 OWL 本体和 SPARQL 推理。例如，S4 开发了基于本体的访问控制模型，使用 OWL 和 SWRL 来强制执行情境感知使用政策，增强了传统基于角色的访问控制（RBAC）之外的灵活性。S6 在生产环境中部署了本体驱动的大数据治理模型（Telefónica），支持对治理规则进行自动化推理。S21 实施了基于 SPARQL 的验证，用于符合 GDPR 同意的模型，确保数据使用与隐私法规之间的一致性。诸如 S18、S31 和 S33 等研究还将语义政策逻辑直接嵌入业务流程，启用一致的规则执行并减少人工监督。S11、S12 和 S43 通过基于知识图谱的架构正式化了元数据生命周期和集成工作流，与流程、工具和沟通组件紧密对齐，该组件为可重复的治理流程、工具集成和跨系统的结构化沟通提供了骨干支持。然而，尽管这些研究展示了语义技术如何启用自动化，但它们主要关注技术效率而非治理结构。中等代表性的组件包括问责制（44%）和数据工作项目（49%）。这些元素往往只是隐含地提及，例如通过引用治理角色或执行任务，但很少被正式化或嵌入治理框架作为核心设计特征。代表性最低的组件包括受益者（12%）、数据产品（14%）、使命与价值（23%）、决策权（23%）和参与者（28%），这些组件未能通过明确识别治理服务的利益相关者、定义可重复使用的受治理数据资产、阐明治理的战略目的和收益，或指定决策权来体现。这些结果突显了研究在阐明战略目的、定义受益者、指定决策权或将人类参与者嵌入治理模型方面关注有限，从而强化了技术维度相对于组织和战略维度的主导地位。这些维度明确识别治理服务的利益相关者，定义可重复使用的受治理数据资产，阐明治理的战略目的和收益，或指定决策权，但在大多数研究中仍发展不足。

4.4. RQ3：数据生命周期覆盖范围
我们还分析了已识别的研究在多大程度上全面处理了组织中数据生命周期的不同阶段。与提取 - 转换 - 加载（ETL）相关的传统数据生命周期通常包含六个关键阶段：摄取、集成、转换、存储、分析和访问。表 4.4 根据研究是否支持每个阶段相关的活动，将研究映射到这些阶段。我们观察到对访问和集成阶段有强有力的支持，而用于下游决策的高级分析则较少受到关注。表 4.4. 按阶段划分的数据生命周期覆盖范围。数据生命周期阶段研究数量百分比研究 ID 访问3375%S1-S11, S15, S17-S20, S22, S23, S25, S26, S27, S31-S38, S40-S43 分析1330%S1-S3, S6, S13, S16, S27, S28, S31, S35, S36, S42, S43 摄取2659%S1-S16, S22, S27, S30, S31, S34, S36, S37, S39, S42, S43 集成3171%S1-S15, S18, S20-S22, S24-S26, S29, S31-S33, S35, S38, S40, S41, S42 存储2659%S1-S12, S15, S18, S19, S20, S22, S26, S27, S31, S34, S36, S39, S41-S43 转换2761%S1-S4, S6-S13, S15, S19, S20-S22, S24, S25, S30, S31, S34, S36, S39, S40-S42“访问”是被治理最多的阶段，在 33 项研究（75%）中得到明确覆盖。访问控制、语义查询和政策执行是常见主题，通过 SPARQL 查询、SHACL 约束或基于 OWL 的本体实现。“集成”出现在 31 项研究（70.5%）中，通常与元数据管理、本体对齐和数据统一工作配对出现（例如，S1, S2, S10, S13, S15, S20, S25）。这反映了语义网在联合和对齐不同数据集方面的优势。“转换”在 27 项研究（61%）中得到处理，主要集中在语义协调和基于本体的规范化（例如，S6, S7, S13, S19, S27）。“摄取”和“存储”各在 26 项研究（59.1%）中得到处理。许多研究在技术上覆盖了数据摄取（引入数据）和存储（将其保存在结构化存储库中）阶段，特别是在关注大数据、数据湖、数字孪生的研究中（例如，S2, S5, S11, S15, S20, S23, S42）。在这些研究中，摄取和存储通常从系统架构的角度进行描述，解释数据如何进入系统、存储在何处以及哪些技术支持它们（例如，本体、元数据目录、分布式存储层）。然而，这种覆盖很大程度上是隐含的和技术性的，而不是治理驱动的。也就是说，这些研究很少定义“谁”负责管理数据摄取或存储决策，“什么”政策治理这些阶段（例如，数据保留、删除、质量检查），或“如何”在生命周期中监控和跟踪决策和责任。例如，一个系统可能描述传感器数据如何被摄取到数字孪生中（如 S2 或 S23），或大数据集如何被集成并存储在知识图谱存储库中（如 S11 或 S20），但没有明确阐述针对这些阶段的治理规则、问责结构或政策执行机制。“分析”是最少被覆盖的生命周期阶段，仅在 13 项研究（29.5%）中得到明确处理。这些研究倾向于强调可解释性、洞察生成或基于元数据的评估框架，但往往未能将治理政策嵌入分析管道中（例如，S1, S2, S3, S28, S31, S35, S36）。这种分布不均反映了大多数基于知识图谱的治理模型中嵌入的技术优先级。摄取和集成阶段的治理通常采取元数据建模、数据映射和本体构建的形式，而存储和访问阶段则受益于声明式逻辑、合规规则和访问限制。值得注意的是，诸如摄取和分析等阶段的治理不够系统化，往往仍处于正式治理范围之外。

4.5. RQ4.1：研究性质：实际设计与中小企业适用性
针对 RQ4.1，我们评估了所有 43 项研究的性质，即实际设计与理论设计，以及它们对中小企业（SME）的适用性。我们观察到强烈强调实际的、面向实施的设计，43 项研究中有 40 项（93%）提出了可实施的解决方案，如工具、框架或系统原型。只有三项研究（S32; S35; S39：7%）是理论性的，提供概念性或高层设计而没有 accompanying 实施模型，限制了它们在实践中的直接适用性。虽然大多数研究具有强大的实际基础，但在评估对中小企业的适用性时，我们观察到 43 项研究中只有 1 项（S36）明确专注于中小企业环境。他们提出了一种为实验室领域的中小企业量身定制的内部开发知识图谱，展示了模块化设计和多语言实体表示作为针对有限预算和人力的定制功能。他们的模型重点在于本体工程以及从关系数据库到语义结构化环境的技术转型。

4.6. RQ4.2：运营方法：自动化程度
我们观察到，在已识别的基于知识图谱的数据治理方法中，自动化程度有限且应用不一致，大多数研究倾向于部分或半自动化模型，而非实现完全自主，如图 4.4 所示。下载：下载高分辨率图像 (102KB) 下载：下载全尺寸图像图 4.4. 43 项研究中的自动化程度。在两项完全自动化的研究中，S19 开发了 Cyrus 框架，用于对开放知识提取（OKE）系统进行自动化透明度评估，专注于透明度评分而非治理控制、政策或问责制执行。S27 展示了一个自动化的数据处理和可视化工作流，集成 Elastic Stack (ELK) 和 GRAPHYP 知识图谱用于决策支持和语义互操作性，但没有正式的治理角色、政策或执行机制。两项研究（S38, S43）具有手动治理流程，范围仅为提出本体，但没有使用它的机制。三项研究纯属理论性，没有实施自动化（S32, S35, S39）。他们不尝试自动化治理活动。他们的重点在于澄清数据治理的基础，包括潜在价值、责任和政策意图，而不是系统实施。他们旨在界定有效治理应该是什么样子以及为什么它很重要，在原则和机构推理层面提供指导。虽然他们提供了重要的概念基础，但在将这些想法转化为技术或运营机制方面却有所欠缺。大多数研究，即 36 项具有半自动化的研究，通常依赖语义技术，如 SPARQL、OWL 推理引擎和基于规则的框架，来自动化选定的治理操作，如政策检查、元数据链接或 lineage 推理。

4.7. RQ4.3：研究行业背景
我们观察到，43 项研究中有 37 项（86%）是特定于部门或组织的，只有 6 项研究（14%）将自己呈现为通用的（S7, S15, S24, S29, S37, 和 S43）。附录 A 表 A.3 提供了研究及其领域的细分。即使是那些被确定为通用的研究，也很少提供指导，关于技术资源有限且责任重叠的精简组织如何采用和维持治理项目。它们通常假设较高的数字成熟度（S7, S15），缺乏执行政策的具体机制（S24, S43, S29）或运营集成（37）。在特定部门的研究中，代表性最强的领域是医疗保健和健康数据，在六项研究中得到处理（S17, S20, S23, S26, S41, S42），其次是制造和工业系统（S3, S12, S30, S31, S36）以及政府和公共部门（S10, S38, S9, S25）。这些领域通常合规性要求高，需要数据可追溯性、结构化工作流和集成能力，语义技术在这些领域自然表现出色。然而，各部门之间存在广泛分散，教育、人工智能、取证、能源和农业等领域仅有一两项研究代表。这种多样性突显了基于语义的治理的通用性，但也突显了其碎片化，现有模型通常如此针对领域特定约束量身定制，以至于采用变得具有挑战性。

领域特定方法的主导地位也表明，当前研究主要由领域特定的技术需求驱动，而非以可迁移的治理方案为驱动力。这也与本体和知识图谱作为领域知识编码工具的一般效用相一致。

4.8 RQ5：报告的限制

我们还回顾了这43项研究，并分析了作者报告的研究局限性。我们观察到六项局限性在各研究中反复出现，如表4.5所示。值得注意的是，这些局限性不仅揭示了技术和方法论上的约束，还揭示了现实中验证环节的持续缺失。

表4.5 研究作者所报告局限性的综合总结

| 局限性 | 研究 |
|---|---|
| 可扩展性与性能 | S1, S2, S5, S11, S13, S14, S17, S22, S23, S38 |
| 现实世界的评估或验证有限 | S3, S4, S19, S25, S27, S29, S41, S42 |
| 缺乏操作成熟度（原型或概念阶段） | S2, S18, S20, S30, S31, S39 |
| 自动化程度低 | S4, S5, S6, S28, S32, S43 |
| 缺乏可推广性（领域特殊性） | S24, S33, S36 |
| 人类因素的缺失 | S35 |

被提及最多的局限性是可扩展性和性能，指出了处理大规模或实时数据时的困难，这通常源于语义推理、本体对齐或图遍历的计算需求。第二个突出的局限性是在实际执行中对所提出框架的评估或验证有限，因为这些研究通常依赖于受控环境、模拟或概念演示，缺乏经验性部署，从而限制了对其实际可行性的信心。类似地，多项研究承认其仍处于原型或概念阶段，缺乏操作成熟度。这些框架在很大程度上仍是理论性的，或者仅经过有限的技术部署，尚未经过测试实施。

多项研究还报告了自动化程度低的问题，指出其仍然依赖手工本体工程、利益相关者配置和领域特定的规则指定。这些研究揭示了技术专长的持续需求，这不仅提高了采用成本和复杂性，也使长期治理难以维持，尤其对于中小企业而言。在适用性方面，领域特殊性是S24、S33和S36中提及的另一项局限性，这印证了第4.7节的发现。

有趣的是，组织维度的缺失问题依然持续存在，仅有一项研究（S35）直接反映了人类因素缺失的问题，指出尽管治理的技术层面得到了充分表征，但人类交互动态（如角色分配、利益相关者参与或决策权）却缺失。对于中小企业而言，其治理往往是非正式的、集中的且未形成文档的（C6），这种组织建模的缺失削弱了可追溯性、问责制以及将治理嵌入日常流程的能力（C2, C4, C6）。这也印证了前文在4.3 RQ2：映射到DGI框架组件、4.4 RQ3：数据生命周期覆盖、4.6 RQ4.2：操作方法：自动化程度中的发现，其中治理责任与生命周期所有权被发现建模不足。

5. 文献中新兴缺口的主题网络

5.1 主题网络概述

为了综合和解释我们的所有发现，特别是知识图谱数据治理中已识别的局限性和缺口，我们应用了Attride-Stirling（2001）提出的主题网络分析方法，该方法在信息系统研究中被广泛采用以支持分层理论构建（Gill et al., 2015, Urquhart et al., 2010）。由此产生的主题网络（图5.1）将我们识别出的八个经验推导的缺口（基本主题）组织为九个中间主题，这些中间主题可进一步归纳为三个全局主题：知识图谱治理中的中小企业适配偏差、静态且碎片化的治理流程、以及过度强调技术自动化而缺乏组织嵌入。通过参考该主题网络，读者可以理解数据治理在技术、组织和生命周期方面的局限性如何相互关联。第一个全局主题描述了当前设计如何忽视中小企业特有约束（缺口1、5、7），使其在资源受限环境中难以采用或持续。对监控的支持有限（缺口3）、薄弱的数据生命周期问责（缺口6）以及语义技术使用范围狭窄未能利用其覆盖治理的监控方面（缺口8）归属于第二个全局主题，这表明数据治理被当作静态的一次性设置模型而非动态自适应过程。第三个全局主题强调了治理往往仅通过技术手段实施但缺乏组织深度，源于端到端治理自动化程度有限且存在人工瓶颈（缺口2）、DGI治理组件结构覆盖不均衡（缺口4）以及语义技术使用范围狭窄——仅关注元数据和访问而忽视战略、角色和结果（缺口8）。

图5.1 文献中涌现的基本主题、中间主题和全局主题的主题网络。

尽管这些全局主题广泛适用于所有组织的数据治理，但其影响在中小企业中往往被放大，因为结构性约束、资源有限和非正式流程加剧了有效数据治理的采用和维持挑战。以下5.2至5.9各小节将探讨这些局限性如何转化为中小企业数据治理情境，揭示叠加性缺口及其对未来研究和实践的影响。

5.2 缺口1：现有实践设计无法转化为适合中小企业的框架

第4.5节的结果表明，大多数被审阅的研究提出了实用工具、框架或系统，但实用性本身并不能保证对中小企业的适用性。大多数研究是针对大规模企业环境设计的，假设了先进的基础设施、专职人员和成熟的治理能力。尽管许多技术先进的模型（如S3, S5, S6, S10, S14, S28, S31, S42）具备自动化、模块化或角色建模等对中小企业有益的特征，但它们并未以中小企业现实情况为框架或评估依据，例如轻量化部署、经济可行性和简化的治理角色。因此，实用设计往往与第2节所述的中小企业挑战脱节，如资源有限、合规负担和IT成熟度低。仅有一项研究（S36）明确针对中小企业，但仍缺乏核心治理要素，如策略执行、问责制和决策权。

5.3 缺口2：端到端治理的自动化程度有限

第4.6节报告的发现表明，知识图谱数据治理中的自动化仍然碎片化且不均衡。虽然语义技术如SPARQL、OWL推理和基于规则的机制被频繁使用，但其应用倾向于支持有限的治理任务而非全面的治理执行。大多数研究采用半自动化方法（83%），而完全自动化解决方案仍然罕见（5%）。无自动化的概念性或理论研究约占文献的7%，手动方法占比同样较小（5%）。

总体而言，大多数被审阅的研究依赖部分自动化而非支持完全集成的端到端治理工作流。自动化支持通常局限于孤立的功能，如元数据关联、血缘推理或透明度评分，而对核心治理活动（包括角色分配、利益相关者责任映射、同意权表示或治理规则与组织政策和监管要求的系统性对齐）的覆盖极少。

这种部分自动化直接限制了实际应用，尤其是对中小企业而言。正如多项研究指出的，持续的治理仍然严重依赖手工本体工程、利益相关者配置和领域特定的规则指定。这些需求将操作责任转移给人类专家，增加了复杂性和长期维护工作量。对于通常缺乏专职治理团队或高级语义工程专业知识的中小企业而言，这造成了所提出的治理模型与组织能力之间的结构性错配。自动化成熟度不足也提高了总拥有成本。需要持续的人工干预来维护本体、更新SPARQL或SHACL规则，并调整治理逻辑以适应不断变化的法律和组织环境。这种对人工配置的依赖削弱了可扩展性，使治理难以长期维持，加剧了中小企业在财务资源有限、技术能力受限和对持续运营成本容忍度低方面的挑战（C1）。这一局限性在第4.6节的结果中得到一致反映，其中完全自动化方法罕见，且即使存在也仅涉及狭窄的技术功能而非全面的治理执行。

5.4 缺口3：对监控的支持有限

第4.2节的结果显示，大多数研究支持定义（93%）和实施（86%）数据治理规则，但仅有9%纳入了监控，使其成为最少被关注的活动。研究侧重于政策设置和合规执行，而非反馈、评估和持续监督。这表明治理往往被视为静态的一次性实施而非动态自适应过程。缺乏监控意味着组织失去了感知能力，灵活性将极为有限，因为它们无法评估有效性、检测违规或随时间推移根据变化的需求调整治理结构。

即使技术上先进的研究也凸显了这一缺口。例如，S6嵌入了监控，但仅作为技术合规检查，缺乏利益相关者反馈、人类问责或随时间推移审查和调整治理结构的能力。S19、S28和S34包含自动化的透明度指标（FAIR、链接数据质量）以及区块链和智能合约用于取证追溯和可审计性，但它们孤立运作，未与数据治理行动集成。

对于中小企业而言，这一缺口尤为关键，因为它放大了核心挑战。资源有限（C1）使其无法雇用合规人员或采用企业级监控平台，而监管负担（C2）在没有可扩展的追踪工具的情况下依然沉重。IT成熟度低（C3），包括碎片化的存储和薄弱的元数据，进一步 complicates 监控。此外，许多框架假设线性正式流程，这与中小企业常见的非正式和临时性实践相冲突（C4, C6），在后者中追溯性极为罕见。对于中小企业而言，这种缺失意味着合规无法保证，问责无法演进，治理以碎片化和临时性方式发生而非持续过程。

5.5 缺口4：DGI组件覆盖不均衡：过度强调技术组件而忽视治理角色和执行计划

如第4.3节所示，知识图谱治理方法高度集中于技术DGI组件，如控制、政策与规则、流程、工具和通信，这反映了语义技术在规则执行、验证和工作流自动化方面的自然优势。这些功能可以帮助中小企业减轻合规负担（C2）、缓解低技术成熟度（C3），并通过减少重复性手工工作部分缓解人员约束（C1）。

然而，尽管这些能力可以减轻合规负担并自动化重复性任务，但它们主要关注技术效率，与治理的战略和组织维度联系薄弱。核心组件如使命与价值、受益者、参与者、决策权、问责制和数据工作计划始终代表性不足或仅被隐含处理。即使这些元素出现，也很少在治理架构中得到操作化。使命与价值（治理目标）在少数研究中被提及，但明确的目标设定和预期业务成果的阐述往往缺失。这削弱了治理活动与组织优先级之间的联系。受益者很少被识别，尽管其在确保治理与利益相关者需求对齐方面的重要性不容忽视。参与者和角色（如数据管家、保管员和分析师）通常被承认但未深度整合到技术或结构设计中以。数据产品（如经认证可复用的数据集、仪表板或模型）很少被正式化作为治理输出。知识图谱本身通常被视为技术基础设施而非跨业务功能可用的可消费治理资产。问责制（通常描述首席数据官或数据所有者等角色）在近半数研究中被讨论，但在治理架构中是隐含的而非操作化的。决策权（定义谁可以在什么条件下做出数据相关决策）几乎完全缺失。最后，数据工作计划（规定必须做什么、谁来做、何时做的战术执行层）很少被设计为将战略转化为具有生命周期、目标和可衡量指标的任务。没有它，治理计划可能缺乏结构化的实施路径。这种不均衡造成了模糊性和薄弱问责，因为仅凭技术方案无法确保证可追溯性、运营效率或透明度，治理变得理想化而非可操作的。

代表性不足的DGI组件并非抽象遗漏，而是映射了第2.2节中中小企业报告的挑战（C1–C6）。决策权明确权威性和追溯性，使中小企业临时决策可追溯并强化问责结构（C6）。

使命与价值确保治理举措与业务优先事项保持一致，并展现明确的投入产出比（C5），从而使有限的预算和资源能够经受住审查（C1）。受益方确保解决方案与真实用户保持一致，以应对非正式流程的干扰。如果不识别并解决利益相关者的需求，治理努力可能与中小企业现实脱节，而中小企业普遍存在非正式流程和角色重叠现象（C4、C6）。参与方与问责机制在人员有限的情况下（C1）提供角色清晰度，当职责被共享或定义模糊时（C6）尤为重要。最后，数据工作方案将战略转化为可执行行动和可衡量成果。如果不正式确立这一组成部分，中小企业将缺乏有效的结构化执行模型，无法论证和展示投入产出比（C5）或有效优先分配有限资源（C1）。因此，由于未能整合这些要素，当前基于知识图谱的方法有加剧现有中小企业挑战的风险，而非缓解这些挑战。值得注意的是，聚焦实施的研究强调技术控制但角色规范不足，而概念性论文虽然阐述了治理愿景和理念，却未提供执行路径。然而，中小企业既需要角色结构也需要可执行的轻量级自动化方案才能有效运作。

同样值得注意的是，战略和组织层面要素的薄弱表征也削弱了监测功能（第4.2节）。例如，对控制措施、政策与规则以及流程的高覆盖率（77–93%）反映了此前的发现，即大多数研究通过技术执行来优先考虑治理的定义与实施。相比之下，与监测或战略一致性相关的要素（如使命与价值、决策权、受益方）表征薄弱（11–28%）。当活动层面与组件层面的失衡相互叠加时，治理变得依赖技术执行却缺乏持续监督。综合来看，这两个缺口——缺口3和缺口4——相互强化，构成了同一问题的两个方面：当前方法倾向于将治理视为静态的技术强制执行系统，而非由活动与结构要素共同支撑的动态演进过程。对中小企业而言，这造成了双重负担——它们面临技术上复杂但缺乏角色针对性的框架，难以制度化落地，同时又面对缺乏执行路径的概念性治理愿景。

5.6 缺口5：行业特定模型的可迁移性与可扩展性有限

第4.7节和第4.8节的研究结果显示，现有研究大多具有行业特定性，而少数通用研究缺乏操作指导。在审查的43项研究中，86%属于行业特定类型（第4.7节），针对医疗、制造、公共部门及其他领域的紧密限定用例而设计。行业特定研究中深度耦合的标准与监管体系提升了其领域内适配性，但限制了其向其他领域的迁移能力，因为高度的情境化设计使其难以在原设计范围之外复用。六项通用研究仍停留在概念层面，缺乏操作细节、明确的角色分配、执行机制或与问责制、决策权等治理流程的整合，因此中小企业无法将其付诸实施。第4.8节也印证了这一点，作者自述的领域局限性和较低的运营成熟度问题尤为突出。

这种碎片化对中小企业产生了重大影响。行业特定模型虽然在各自领域内较为全面，但很少考虑中小企业面临的组织约束，如有限的财务和人力资源（C1）、较低的技术成熟度（C3）以及非正式的决策结构（C6）。中小企业无力承担定制化再工程成本来适配专业化解决方案。与此同时，抽象的通用模型无法将治理理论转化为中小企业可部署的可操作策略或工具。例如，S7和S15等研究假定高级基础设施（如分布式数据网络）的可用性，这与中小企业典型的有限IT能力（C3）不匹配。即便是颇具前景的S29（聚焦数据估值）等模型，也忽视了使这些方案在资源受限情境下真正可用的实用治理机制（C1、C5）。

高度定制的行业设计和对基础设施的沉重假设阻碍了其在中小企业中的复用，这印证了第4.7节的发现。即便在通用模型中（如S7、S15、S24、S29、S37、S43），其可迁移性也很弱，因为它们很少将角色、决策权或执行路径具体化，从而限制了实际采纳和投入产出比的论证（C5）。这种双重局限——行业案例中的过度专业化与通用模型中的过度抽象——意味着中小企业往往被排除在治理创新的实质性参与之外。它们面对的框架要么过于复杂且领域绑定，要么过于模糊而无法实施。中小企业需要一种中间路径：治理模型既足够通用以广泛适用，又足够操作化以适应中小企业在结构、技术和文化方面的现实。

5.7 缺口6：数据生命周期治理在技术上定义充分但组织层面薄弱

第4.4节的发现表明，现有基于知识图谱的治理方法在数据生命周期覆盖方面技术上较为详细，但组织层面较为薄弱。大多数研究聚焦于访问、集成和存储（例如自动化推理、元数据对齐、存储控制），即语义技术最易部署的领域，却很少定义这些阶段在实践中如何进行治理。然而，极少有研究定义这些阶段如何治理、由谁监督、适用何种规则，或如何跨生命周期执行和评估决策。摄取和存储通常表现为运营功能而非治理检查点。保留策略、来源验证、版本控制和访问授权很少被明确界定，生命周期问责的角色也很少被命名，导致架构看似完整却缺乏可执行的治理。转换和分析是两个至关重要但表征不足的阶段，它们对于数据价值提取和可信度保障不可或缺。若缺乏结构化的转换治理，数据可能变得不一致或与质量标准脱节。若分析阶段缺乏治理，组织无法确保伦理使用、决策可追溯性或洞察透明度，尤其在数据驱动决策涉及财务、法律或运营风险时尤为关键。这种分布不均反映了大多数基于知识图谱的治理模型中嵌入的技术优先性。

结合第5.5节的讨论，数据生命周期覆盖与数据治理框架（DGI）中的决策权、数据工作方案和参与方等组件之间存在差距。大多数聚焦摄取或集成的研究未定义谁对这些操作负责，或关于转换逻辑、存储期限或分析用途的决策如何做出。仅有少数研究（如S1、S19、S36）将生命周期行动与角色、指标或政策执行联系起来。这表明生命周期阶段往往在技术层面有所界定，但在组织层面缺乏治理。这一观察印证了第5.4节中讨论的发现，即治理角色和职责往往被建模不足或仅被隐含定义。

结合第5.2节缺口1（现有实用设计无法转化为适合中小企业的框架）和第5.3节缺口2（端到端治理的自动化程度有限），我们发现绝大多数被审查的研究偏向实践且为半自动化，其覆盖的生命周期阶段深度不一。例如，S2（HPKG）、S10（跨领域政府数据）和S36（面向中小企业的遗留知识图谱）实现了摄取、集成和访问，但提供有限的监测或结果分析机制。即便是技术含量很高的研究，也往往止步于生命周期转换的追踪，转而聚焦于语义建模最易部署的阶段（如数据访问或元数据集成）。

对中小企业而言，这种不足是结构性的。由于资源有限（C1）且IT成熟度较低（C3），它们无法消化隐含的、以工具为中心的生命周期实践，这使得缺乏高级系统的中小企业实施变得不可行。如果摄取、转换或分析未得到正式治理，错误或不一致可能未被察觉。若生命周期治理中缺乏角色分配和可追溯决策，中小企业可能难以管理职责（C6）。不明确的数据生命周期治理阻碍中小企业满足数据保护、审计和监管要求（C2），尤其在存储、保留和分析等阶段。因此，仅在技术层面描述而非嵌入组织的生命周期治理使中小企业面临效率低下、合规缺失和数据滥用的风险。

近期的治理文献日益认识到整个AI和数据生命周期治理的必要性，超越传统技术阶段如摄取和集成，纳入转换、分析和监测等后期阶段。开放数据研究所（Open Data Institute）关于AI生命周期治理的报告指出后期阶段治理存在显著缺口，注意到分析和部署后评估虽对透明度、可追溯性和问责制至关重要，但仍治理薄弱（Open Data Institute, 2024）。同样，Batool等人（2025）考察了治理在生命周期中的发生节点，发现虽然框架通常涉及早期数据准备和模型开发，但在评估、分析和部署后阶段的治理关注有限。这种失衡暗示了一种日益增长的期待：治理必须是持续且迭代的，而非静态且局限于技术实施。尽管被审查的语义治理模型在分析和转换阶段的建模不足，但当代AI治理文献明确要求在这些阶段实施治理。这一缺口凸显了未来框架将分析整合为受治理活动的紧迫性，尤其对中小企业而言，分析后决策涉及财务、伦理和监管风险。由于缺乏在各阶段明确政策和角色问责，当前方法有使不完整治理持续存在的风险。

这种失衡与数据治理文献的更广泛发展相一致，即治理日益被概念化为持续且以生命周期为导向的过程，而非一次性实施（Otto, 2011）。近期AI和数据治理的进一步工作强调了持续监测、评估和问责机制的必要性，以确保数据的可信和合规使用（Janssen et al., 2020）。与这些发展相比，被审查的基于知识图谱的方法仍主要聚焦于早期生命周期阶段，表明语义治理模型与不断演进的以生命周期为导向的治理期望之间存在差距。

5.8 缺口7：缺乏真实世界验证

第4.8节的结果表明存在持续的证据缺口：相当一部分研究停留在概念或仅实验室阶段，提供很少的部署证据。这降低了中小企业在缺乏运营可行性证明（C5）的情况下，将有限资源（C1、C3）投入治理变革的信心。验证实践大多不充分（模拟、沙箱演示），无法提供中小企业论证治理预算相对于机会成本（C5）所需的运行时可靠性、合规性或部署后行为证据。

5.9 缺口8：语义技术的使用范围狭窄

第4.2、4.3、4.4和4.6节的结果显示，尽管知识图谱有能力支持决策逻辑、角色建模和政策执行，但其应用主要集中在元数据集成、规则执行或访问控制。这种偏差并非偶然，而是反映了知识图谱的技术优势。知识图谱天然适合定义性任务，因为它们允许将治理概念形式化为本体（如政策、角色、分类、元数据模式）。同样，它们在实施方面也表现出色，因为图查询语言（SPARQL）、约束语言（SHACL）和规则扩展（SWRL）能够实现自动化推理、政策执行和跨异构系统的集成。例如，若干研究（如S2、S11、S12、S19）使用本体明确定义元数据生命周期、政策词汇或分类层次。这种定义能力与"定义"活动自然对齐，将治理概念以机器可读形式标准化。此外，S4、S6、S21和S33等研究直接将这些定义转化为可执行机制：SPARQL用于验证GDPR合规同意（S21），SHACL形状用于强制模式合规（S12、S18），OWL/SWRL推理用于实施访问控制和合规规则（S4、S6）。这解释了为何定义和实施在文献中占主导地位。知识图谱的技术导向放大了对定义和实施的聚焦，因为它们使研究人员和从业者在受控环境中更容易展示可运行的治理机制——定义性本体和可执行查询是具体、可验证的产出。

然而，这种同样的聚焦也暴露了语义技术使用范围的狭窄。其应用很少延伸至治理的组织维度，仅少数研究将知识图谱能力扩展至支持持续监测、反馈循环或对治理有效性的长期评估。知识图谱很少被用于建模更广泛的治理结构，如决策权、问责制架构、组织角色、绩效监测或治理价值实现。它们也很少被用于支持监测功能，如跟踪合规绩效、审计决策或衡量治理成果。

对中小企业而言，这种失衡尤为限制性。虽然大量使用定义/实施机制可以通过自动化重复任务来减轻合规负担（C2）并缓解技术成熟度低（C3）的问题，但缺乏监测、价值阐述和角色清晰度使治理在技术上高效却战略上浅薄。这些缺口直接对应表2.2中总结的挑战。缺乏监测使中小企业难以证明投入产出比（C5）或确保合规成果在长期内持续（C2）。价值阐述薄弱加重了在资源有限（C1）情境下论证治理举措的难度，因为每项投资都必须与切实的业务效益挂钩。

最后，角色界定不清削弱了问责制和可追溯性，而这些本已存在于以非正式决策结构和职责重叠为特征的中小企业中（C6）。综合来看，这些缺失恰恰说明了为何在中小企业中，尽管基于知识图谱的治理方案具有效率优势，但其制度化落地仍然困难重重。

## 6. 从发现到框定：将数据治理视为一个社会-技术性问题

我们的论证分三个递进步骤展开。首先，我们依据综述所确立的经验性模式（第6.1节），指出基于知识图谱的治理在技术上较为成熟，但在组织层面却较为浅薄，并将其重新界定为一个社会-技术性缺口，而非单纯的技术性差距（第6.2节）。在此基础上，结合中小企业面临的挑战以及综述所识别的研究空白，我们运用归纳抽象法推导出一组设计原则，每个原则都将一个反复出现的局限上升为一个通用、可复用的构念（第6.3节）。随后，我们将这些原则组织成一个具有相互依存层次的概念性研究框架，并阐明它们如何协同运作（第6.4节）。每一步都建立在之前一步的基础之上：框定激发了原则的提出，原则填充了框架，而框架又将它们转化为一个连贯的研究议程。除了这一主线之外，综述还推进了第二项更具探索性的贡献，即将知识图谱定位为跨越治理社区的边界性客体，从而为第7节中的未来研究方向指明了路径。

### 6.1 关键发现

综述结果与所识别的空白（第4节和第5节）表明，基于知识图谱的数据治理在技术上较为先进，但在组织层面却较为浅薄。这一证据在三种分析视角中高度一致。治理活动主要集中在治理的定义和实施环节（分别出现在93%和86%的研究中），而监控环节几乎缺席（仅占9%），这表明治理被视为需要规定和执行的事项，而非需要观察和维持的事项。将其与数据治理研究所（DGI）框架进行映射，显示出同样的差距。研究覆盖范围聚集在技术组件上，尤其是"控制"和"政策与规则"。承载治理中人和组织面的组件，如"决策权""受益人"和"数据工作项目"，则鲜有涉及。生命周期视角确认了这一模式——治理集中在数据生命周期的早期、技术阶段，而在问责制和监控最为关键的环节则逐渐稀薄。此外，大多数方案仍处于概念或原型阶段，且仅实现了半自动化（83%），鲜有在实际组织中得到验证，而针对中小企业约束条件进行设计的更是凤毛麟角。综合来看，这三种视角使我们得以观察到各单项研究仅能孤立处理的结构化模式：该领域在治理的技术表征上已取得成熟进展，却使其在组织层面的落地执行发展不足。这正是后续讨论的基础。我们认为，中小企业的数据治理并非通过简化企业级框架即可满足，而是需要一种自下而上的方法，将治理逻辑、自动化水平与组织情境同中小企业现实相契合，并将数据治理重新框定为一种社会-技术性能力。

### 6.2 社会-技术性重新框定

结果中的这种失衡并非偶然。它指向一个范畴性错误：将一个社会-技术性问题当作纯粹的技术性问题来处理。当治理仅被当作编码、执行和元数据管理来对待时，技术表层便会推进——这正是综述所揭示的现象。而滞后不前的，是一切依赖于人、角色和组织实践的事项。社会-技术系统传统理论解释了这为何会失败。任何一个运行中的系统都具有一个由人和角色构成的社会子系统和一个由工具与流程构成的技术子系统。二者相互作用，决定了系统的实际使用方式，因此其绩效取决于对两者的联合优化。以一方为代价来提升另一方，只会损害系统的绩效和效用，而不仅仅是使潜在价值未能实现（Baxter & Sommerville, 2011）。Mumford（2006）阐述了这一理念背后的承诺：社会-技术设计是一种人本主义和参与式实践，它让系统的使用者参与到系统的塑造中，并将他们的需求视为设计目标而非设计约束。在这种视角下，一个治理方案应被视为一个围绕其操作者来设计的工作系统，而非一个可以安装就完事的制品。

数据治理具有社会-技术性而非纯粹技术性，这一观点已得到充分确立。该领域的基础性综述将其定义为一个跨职能框架，其前提条件既有战略、组织和文化方面的，也有技术方面的（Abraham et al., 2019）。科学技术研究领域的学者将治理体制视为社会-技术性的制度安排，认为其反映的远不止技术决策（Guay and Birch, 2022; Micheli et al., 2020）。关于数据生态系统的研究论证指出，协作维度和技术维度必须作为交织在一起的整体来处理，因为将二者分开处理会产生信息孤岛，阻碍价值的交付（Bartolomucci et al., 2026）。在医疗领域，信息治理同样被框定为一种社会-技术性的过程，涉及对话、协商和权衡取舍，而非一组孤立的技術活动（Rees et al., 2023）。

然而，所综述的文献并未践行这一已被确立的观点。基于知识图谱的治理仍然局限于技术层面，而重新框定从未触及中小企业赖以运作的资源受限环境。数据治理是由人通过技术来实施的，因此，仅关注技术的设计方案无法迁移到那些缺乏企业模式所假定的人员和流程的组织，如中小企业。因此，我们提议将社会-技术性重新框定引入资源受限组织的基于知识图谱的治理实践中，并将其转化为设计指导。实现这一转化的工具来源于Gregor等人（2020），他们提出了一种设计原则框架，用以纠正设计知识中反复出现的人类行动者被忽视的问题。该框架明确指出社会-技术系统中信息技术制品的问题。它要求每一个原则都必须指明构建、使用和执行该制品的人员。采用该框架可以确保围绕制品的人类角色可见，而非仅描述制品本身。

### 6.3 中小企业数据治理的设计原则

我们的综述发现证明，亟需一个既不囿于特定行业也不空泛笼统、而是专为中小企业量身打造、并根据其约束条件、角色结构和自动化需求进行校准的治理框架。这样的框架应当使决策权和问责制明确化，支持可量化的数据工作项目，并利用语义技术提供轻量级、模块化的自动化方案，以可移植的核心搭配可选的领域适配器的形式加以组织。

因此，我们运用归纳法推导出了九项设计原则（DP1—DP9），方法是将以识别到的空白（第5节中的G1至G8）和中小企业特有的约束条件（C1至C6）与基于知识图谱的治理方案必须满足的要求进行匹配。这一推导过程遵循扎根理论方法论关于将模式抽象为高阶构念的指导原则（Urquhart et al., 2010），并以上述社会-技术视角为框架。DP1至DP4阐述了面向中小企业的治理框架的核心功能原则，而DP5至DP9阐述了在实施、适应性和持续运行方面必须在架构层面成立的系统级原则。

表6.1按照Gregor等人（2020）的框架陈述了这些原则，每个原则均通过其目标、情境、机制和依据来表达，并指明围绕该制品的行动者。完整表述形式为：为了实现某项目标或使某一用户能够实现该目标，在某一给定情境下，某一实施者采用某一机制，该机制涉及某一执行者，其依据是某一理由。在九项原则中，实施者一般为构建和维护治理知识图谱的本体工程师和数据架构师，而用户则是中小企业治理社区，如数据所有者、数据管理员和合规专员。目标、情境、机制和依据因原则而异，具体如下。这种文档化的取向阐明了谁在执行每一项机制。当某一机制记录和追溯权限或语义时，知识图谱即为执行者。当某一机制运行验证检查或路由案件供审查时，执行者则是系统本身加上对其输出采取行动的人员。

**表6.1 利用知识图谱的中小企业数据治理设计原则**（框架改编自Gregor et al., 2020）

**DP1. 嵌入角色与决策权**

- **目标、实施者与用户**：使治理设计师（实施者）能够明确并追责角色、责任和决策权（目标），服务于中小企业负责人和负责数据的工作人员（用户）。
- **情境**：在决策非正式、集中且无文档记录的中小企业中，数据决策的问责制存在模糊性。
- **机制与执行者**：在知识图谱中将角色、责任和决策权建模为一等实体，与其所治理的资产和决策相链接，并附带溯源信息。执行者：知识图谱，它记录并追溯权限，使其可被查询和审计。
- **依据**：综述发现治理角色、决策权和问责制表征薄弱（G4），导致权限在中小企业典型的非正式、集中式结构中保持隐式状态（C4, C6）。将其建模为显式、可追溯的实体可使问责制变得清晰且可审计，而这正是这些设计当前所缺乏的组织基础（Baxter & Sommerville, 2011）。

**DP2. 生命周期感知的治理程序**

- **目标、实施者与用户**：使治理设计师（实施者）能够将治理嵌入整个数据生命周期而非孤立节点（目标），服务于日常处理数据的工作人员（用户）。
- **情境**：在将治理视为外部合规任务且生命周期后续阶段缺乏支撑的中小企业中。
- **机制与执行者**：在知识图谱中对数据生命周期各阶段建模并附加元数据和数据血缘信息，并为每个阶段附加基于规则的校验。执行者：系统，负责运行校验并记录其结果；以及工作人员，其数据操作即为这些阶段所描述的内容。
- **依据**：综述发现治理集中在生命周期早期、技术阶段，此后则逐渐薄弱（G6），导致后续阶段处于无治理状态。为每个阶段附加规则可将治理扩展至整个生命周期，使其嵌入日常数据工作而非被视为中小企业必须单独调配资源的独立合规任务（C2, C5）。

**DP3. 合规内建设计**

- **目标、实施者与用户**：使治理设计师（实施者）能够自动且持续地暴露合规差距（目标），服务于合规专员和负责履行义务的工作人员（用户）。
- **情境**：在缺乏人员和正式流程进行反复手动检查、治理知识碎片化分布于各类政策、标准和程序中的中小企业中。
- **机制与执行者**：在知识图谱中将每项义务编码为机器可解释的规则：一个用于验证数据的SHACL形状和一个用于检索相关案例的SPARQL查询，并附带溯源至源条款。执行者：验证引擎，它标记差距而非阻断操作。
- **依据**：中小企业缺乏人员进行反复手动检查（C1），却面临与大型企业相同的合规负担（C2），而治理知识始终碎片化分布于政策、标准和程序中（C3）。将每项义务编码为机器可检查的规则，可在每次数据变更时自动且一致地暴露差距，从而应对综述所发现的全链路自动化有限的问题（G2）。

**DP4. 内置监控与告警**

- **目标、实施者与用户**：使治理设计师（实施者）能够持续监控治理状态并在问题出现时发出信号（目标），服务于必须对此采取行动的所有者和工作人员（用户）。
- **情境**：在监控是最薄弱的治理活动且人员无法执行常规手动审计的中小企业中。
- **机制与执行者**：在知识图谱的治理规则上附加持续校验、自动化告警和审计追踪。执行者：监控系统，负责发出告警并维护审计追踪；以及负责审查的人员。
- **依据**：综述发现监控是最薄弱的治理活动且语义技术使用范围狭窄（G3, G8），导致治理在部署后很少被观察。自动化告警和审计追踪可在中小企业无力配置常规手动审计（C5）的情况下保持可观察性，并将有限的注意力仅引导至需要关注的案例（C6）。

**DP5. 轻量级模块化架构**

- **目标、实施者与用户**：使治理设计师（实施者）能够在资源紧约束下保持方案可采纳、可运维（目标），服务于必须运行该方案的中小企业（用户）。
- **情境**：无法维持复杂或重量级平台的中小企业。
- **机制与执行者**：以低运维开销的模块化组件构建方案，避免依赖重量级基础设施。执行者：中小企业自身有限的技术人员，负责采纳和维护这些组件。
- **依据**：综述发现现有设计假定企业级能力且无法迁移至中小企业（G1）。模块化、低开销的构建使中小企业只需采纳所需部分并逐步扩展，使方案保持在财务、人力和技术限度之内（C1, C3）。

**DP6. 领域无关但情境感知的设计**

- **目标、实施者与用户**：使治理设计师（实施者）能够使治理模型在不同组织和行业间可复用，同时又能适应本地规则（目标），服务于不同领域的组织（用户）。
- **情境**：中小企业因行业专属模型和不符合其现实的正式框架而得不到良好服务。
- **机制与执行者**：提供一个稳定的、抽象的知识图谱核心，并配备可配置的扩展以支持领域特定的规则和约束。

实施者：采纳组织，根据自身规则配置扩展。因为评估发现现有模型存在行业专用、可迁移性有限的问题（G5），同时部分设计无法适用于中小企业（G1）。一个稳定的抽象核心配合可配置的扩展，使模型能够在不同领域间复用，同时适应各组织的自身规则，解决正式框架与中小企业现实之间的不匹配问题（C4, C5）。

DP7. 高度自动化与人工监督

为治理设计者（实施者），在减少人工治理负担的同时保留关键决策的人工判断（目标），服务于原本需执行这些工作的人员（用户）。适用于资源有限、合规负担沉重且技术成熟度较低的中小企业。利用语义技术（知识图谱、OWL、SHACL、SPARQL）自动化验证和推理，将标记的异常案例路由至人工审核。实施者：自动推理引擎，负责验证和标记；人工审核员，负责决策。因为评估发现现有方案自动化程度有限，语义技术应用狭窄（G2, G8），而中小企业同时面临资源、合规和成熟度约束（C1, C2, C3）。自动化常规验证并仅将标记案例路由至人工审核，既能减轻工作负担，又不会削弱问责制，根据系统与人各自的优势分配任务（Baxter & Sommerville, 2011）。

DP8. 互操作且集成就绪的设计

为治理设计者（实施者），使中小企业能够逐步采纳治理方案（目标），服务于需要将其与现有工具集成的中小企业（用户）。适用于无法承受颠覆性、依赖集成部署的中小企业。基于开放标准（RDF、OWL、SPARQL、SHACL），采用松耦合、模块化的设计，可通过API后续连接。实施者：负责在资源允许时将其与现有系统连接的技术人员。因为评估发现现有设计无法适用于中小企业（G1），实际验证不足（G7），语义技术应用狭窄（G8），开放的松耦合标准支持在中小企业资源和成熟度约束下逐步采纳（C1, C3）。

DP9. 适用于非技术利益相关者

为治理设计者（实施者），使治理方案对非技术人员可用且易学（目标），服务于参与其中的业务利益相关者（用户）。适用于技术成熟度低且专业人少的中小企业。提供直观界面、引导式工作流，以及在知识图谱之上的抽象层，以隐藏技术复杂性。实施者：界面层，在图谱与非技术用户之间进行中介。因为评估发现现有设计假设了中小企业不具备的专业知识（G1），且技术成熟度低、人员少（C1, C3）。仅专家才能读懂的正式表示形式排除了治理所服务的利益相关者（Ramakrishna et al., 2016），而可访问的界面使非技术人员能够参与。

6.4. 以知识图谱作为边界对象的概念框架

6.4.1. 理论基础

上述设计原则回应了评估中发现的社会技术层面的不足。在这些原则基础上，本评估推进了第二项更具探索性的贡献，即重新定位知识图谱在数据治理中的角色。如果治理本质上是社会技术性的，那么其核心挑战在于协调：治理义务必须从监管机构和标准制定机构，传递至将其形式化的技术专家，最终到达在实务中执行的组织。这些代表了不同的实践共同体（Wenger, 2000），每个共同体都有自己的语言、方法和优先级。由于组织知识是本地化的并嵌入于各共同体中，在一个情境中有意义的东西，在另一个情境中未必能轻易理解（Carlile, 2002）。

边界对象理论（Carlile, 2004; Leigh Star & Griesemer, 1989）提供了一个有用的视角，用以解释在这种共同体之间如何实现协调，而无需达成共识。在这一视角下，知识图谱可被视为一种边界对象，通过在治理意图、机器可读实现与组织实践之间提供共享的语义表示进行中介，同时允许每个共同体根据自身职责解释和应用治理。Carlile（2002, 2004）将这些差距概念化为三个逐级递增的知识边界：句法、语义和语用。在句法边界上，知识通过共享词汇进行传递。在语义边界上，由于各共同体对相同概念赋予不同含义，知识需要进行翻译。在语用边界上，由于共同体存在不同的利益和约束，知识必须通过协商进行转换。随着法规、技术和组织情境的变化而带来日益增加的新颖性，治理越来越依赖于这些高阶协调过程。Carlile的框架最初用于解释产品开发中的知识共享，后来已被应用于信息制品领域，包括支持利益相关者群体之间句法、语义和语用协调的企业架构模型（Abraham et al., 2015; Abraham, 2013）。

将此视角应用于数据治理，我们对知识图谱在这三个知识边界上的角色进行了解读。首先，句法边界产生于各共同体使用不同术语指代同一概念时。治理义务可能表现为法律条款、正式规则或数据库字段，尽管它们指向同一底层要求。在此边界上，挑战在于建立共享表示，而非解决含义差异（Carlile, 2004）。法律知识建模方面的证据说明了这一挑战。Ramakrishna等人（2016）发现，将法律文本直接翻译为本体，降低了法律从业者的可及性。因此他们提出了一种中间受控语言表示，既对领域专家保持可理解性，又能系统性地转换为OWL以实现机器推理。其发现表明，跨越句法边界需要既能被人读取又能被机器处理的表示。类似地，数据治理要求治理概念以支持法律、组织和技术共同体之间交流的方式表示，同时不牺牲形式化精确性。知识图谱提供了这种共享语义表示，使不同利益相关者能够引用相同的治理概念，同时保持共同词汇。

其次，语义边界产生于各共同体使用相同术语但赋予不同含义时。例如，"记录"一词对监管机构而言可能代表依法保存的文件，对工程师而言是数据实体，对最终用户而言则是业务档案。因此，仅就术语达成一致并不足以确保对治理要求的共同理解（Carlile, 2004）。数据隐私合规方面的证据说明了这一挑战。Klymenko等人（2022）发现，法律和技术专业人员对GDPR概念（如"技术措施"）的理解存在根本性差异，各共同体之间没有公认的共同理解。因此，组织依赖个人（如数据保护官）在 legal 和技术利益相关者之间解释和翻译要求。用Carlile（2004）的框架来解读，这些个人充当边界跨越者，通过个人专业知识而非共享制品来传递含义。对于中小企业而言，依赖专业中介往往不切实际，因为这种专业知识很少可得。因此，跨越语义边界不仅需要共同词汇，还需要治理概念、其含义及其来源被显式表示并在共同体之间共享。知识图谱通过以机器可读且透明的形式捕获定义、关系和治理规则，提供了这一能力，使组织、法律和技术视角之间能够实现一致解释。

最后，语用边界产生于各利益相关者群体追求不同目标时。监管机构寻求合规与保证，而中小企业所有者则必须在治理义务与有限的时间、专业知识和财务资源之间取得平衡。在此边界上，仅靠更清晰的定义无法解决差异，因为这涉及相互竞争的组织利益和取舍（Carlile, 2004）。这一挑战反映在治理研究中，后者将信息治理界定为对话、协商和妥协的社会技术过程，而非纯粹的定义性工作（Rees et al., 2023）。类似地，Klymenko等人（2022）发现，法律与业务要求之间的未解决冲突通常升级至治理机构进行协商以达成可接受的结果。然而，此类治理结构并不总能获得，尤其在中小企业中，取舍往往以非正式方式解决，而未被明确记录。因此，跨越语用边界不仅需要共享术语或共同解释。治理决策、其依据以及塑造决策的相互竞争要求必须被显式化，使协商过程透明且可追溯。知识图谱可以通过表示治理义务、其来源及其关系来支持这一过程，为知情的人类决策提供共享基础，同时不取代决策本身。

6.4.1.1. 通过知识图谱跨越边界

这三个知识边界是累积性的：仅跨越句法边界并不能确保协调，如果语义误解和语用冲突仍未解决（Carlile, 2002; Carlile, 2004）。这一视角有助于解释评估的发现。现有知识图谱方法主要强化了形式化表示，但对支持共同理解和协商所需的组织流程关注不足。边界对象提供了一种同时应对三个边界的机制，通过提供共享参照点，同时允许不同共同体保持各自视角。（Leigh Star & Griesemer, 1989）将边界对象描述为既足够灵活以适应本地需求，又能在不同情境中保持稳定身份。基于此概念，Carlile（2002）认为边界对象使知识能够在跨越逐级复杂的边界时被表示、翻译和转换。

从这一视角来看，知识图谱是数据治理中一个合理的边界对象。在句法边界上，它通过共享语义定义建立统一的治理词汇。在语义边界上，它捕获显式含义、关系、验证规则及其监管来源链接，使治理概念能在各利益相关者群体之间获得一致解释。在语用边界上，它提供治理义务、其来源及潜在冲突的透明表示，支持知情协商，同时将治理决策权留给人类利益相关者。尽管知识图谱在数据治理中被广泛使用，边界对象在信息系统研究中也有成熟理论基础，但鲜有研究明确将二者联系起来。基于先前对企业架构作为边界对象的研究（Abraham et al., 2015; Abraham, 2013），本评估将知识图谱定位为中小企业数据治理的边界对象，并由此推导相应的设计原则。这一贡献是概念性的而非评估性的，为后续的设计与实证验证提供理论基础。

6.4.2. 概念研究框架

我们提出了一个概念研究框架（图6.1），将该系统评估的发现综合为结构化的研究议程（Robinson et al., 2011; Webster & Watson, 2002）。该框架将提出的设计原则组织为三个互补且相互依存的层次：治理基础、运营化与自动化、以及中小企业情境化与验证。这三个层次反映了评估中确定的主要研究方向，并体现了从建立治理基础，到运营化治理机制，最终在中小企业环境中验证它们的递进过程。在全部三个层次中，知识图谱被定位为边界对象，连接治理意图、技术实现与组织实践。

第一层"治理基础"聚焦于建模治理结构，包括角色、问责、决策权、受益者和价值阐述，将治理拓展至技术执行之外。它将治理设计与DGI框架的"定义"和"监控"活动对齐，主要体现DP1（嵌入角色与决策权）和DP6（领域无关但情境感知）。该层次还通过认识到治理结构必须对资源有限的中小企业保持实用性来支持DP5（轻量级与模块化架构）。

第二层"运营化与自动化"解决部分自动化与端到端治理之间的差距，通过将治理嵌入数据生命周期，并整合策略执行、验证、监控和反馈机制来实现。该层次主要体现DP2（数据生命周期感知治理流程）、DP3（合规性内建设计）、DP4（内建监控与告警）和DP7（支持高度自动化），而DP8（互操作且集成就绪的设计）支持与其组织系统的集成。

第三层"中小企业情境化与验证"聚焦于通过真实中小企业部署来验证治理方案，评估其在资源约束下的可迁移性、可扩展性和长期可持续性。它解决中小企业面临的实际挑战，包括资源有限、投资回报和非正式决策。该层次主要体现DP5（轻量级与模块化架构）、DP8（互操作且集成就绪的设计）和DP9（适用于非技术利益相关者），而DP6（领域无关但情境感知）在跨组织情境适应治理方案而不损害可迁移性方面仍然重要。

这三个层次共同将知识图谱定位为不仅是语义技术，更是一种治理制品，通过前述部分引入的句法、语义和语用知识边界支持跨组织共同体的协调（Carlile, 2002; Carlile, 2004; Leigh Star & Griesemer, 1989）。因此，该框架为未来基于知识图谱的中小企业数据治理的设计科学研究和实证评估提供了概念基础。

该概念框架的详细操作化，包括知识图谱机制、边界对象属性与知识边界能力之间的映射关系，留待未来设计科学研究进一步探讨。

## 7. 讨论

### 7.1 对研究者的启示

本综述提出了四项研究贡献，拓展了当前基于知识图谱的数据治理研究。首先，尽管数据治理被广泛认为是一门社会技术学科，但本综述表明，现有的知识图谱方法仍然主要停留在技术层面，对中小企业治理所需的组织基础关注有限。其次，本综述将基于知识图谱的治理重新定义为一个嵌入生命周期的社会技术能力，涵盖决策权、受益者以及持续治理活动等治理结构。在这一过程中，本综述脱离了所审查文献中面向企业的侧重点，后者聚焦于"定义"和"实施"活动以及技术控制手段。与DGI框架和DAMA-DMBOK（International, 2017）等从业者框架相比，所提出的框架保留了其治理概念，同时将其调整为适合中小企业通常面临的资源约束。第三，本综述贡献了一组设计原则，可供未来研究重复使用和进一步精炼。遵循Gregor等人（2020）提出的设计原则模式以及扎根理论抽象方法（Urquhart et al., 2010），每条原则均明确关联到综述中的证据。这为未来设计科学研究和评估提供了透明的基础。第四，本综述将边界对象视角（Carlile, 2002, Carlile, 2004, Leigh Star and Griesemer, 1989）引入数据治理，将知识图谱定位为治理社区之间潜在的协调工具。对于研究者而言，三层框架同时构成了一项研究议程：第一层邀请关于治理基础表示的研究，第二层关于端到端自动化与监控的研究，第三层关于在中小企业约束条件下的验证与可迁移性的研究。

### 7.2 对从业者的启示

对于中小企业管理者与治理从业者而言，本研究的发现与所提出的设计原则建议了一种务实的、分阶段的数据治理采纳路径。由于现有成熟治理框架往往假设中小企业并不具备的资源，组织应从治理基础入手，而非从技术入手。明确决策权与问责（DP1）有助于减少非正式且集中式决策带来的模糊性，同时所需的组织开销较小。随后，治理应嵌入到生命周期中的日常数据实践（DP2）中，而非被视为独立的合规活动。这使得治理成为日常工作的一部分，同时以有限的资源减轻履行监管义务带来的负担。当技术能带来明确价值时，可以引入技术。将治理义务编码为机器可解读的规则（DP3），结合内置的监控与告警（DP4），减少对人工治理活动的依赖，并帮助小团队长期保持合规。轻量级、模块化、互操作且高度自动化的解决方案（DP5、DP7和DP8），配合用户友好的界面（DP9），进一步提高了中小企业采纳治理的可行性。由于Gregor等人（2020）的模式支持分解，本文提出的框架级原则可以在具体工具或参考架构设计过程中被细化为更低层级的原则。最后，务实的边界强调，仅靠技术无法解决治理挑战。当监管要求与运营优先事项发生冲突时，中小企业仍需要简单的决策流程来协商和记录这些权衡，而非仅依赖技术控制。

### 7.3 局限性与未来工作

本综述通过DGI框架和中小企业特有挑战，对基于知识图谱的数据治理方法进行了综合，但应承认若干局限性。

首先，文献库仅限于2020年至2025年间在五个数据库中索引的同行评审文献，采用预定义检索式和纳入标准进行获取。尽管该策略旨在严谨且可复现，但可能遗漏了使用不同术语、非英文出版物或检索窗口之外的预印本的研究，这可能导致对语义治理中最新或小众进展的代表性不足。由于本综述在单一时间点上捕捉了领域状态，所报告的规律，包括监控使用有限、组织层面薄弱的生命周期治理以及语义技术应用范围狭窄等，可能随着知识图谱技术和治理实践的演变而变化。未来综述应考察这些差距是否依然存在。

其次，编码结构将核心治理活动、DGI框架、数据生命周期以及六个中小企业挑战类别相结合，以提供一致的比较基础。然而，判断治理要素是否被充分涵盖有时需要研究者判断，特别是在这些要素仅在技术实现中被隐含表示而非明确描述时。未来工作可通过对组织的访谈或案例研究来验证这些解读。

第三，所提出的设计原则尚未在真实中小企业环境中得到验证，限制了对其实用有效性的断言。尽管这些原则基于文献中识别的强项与差距，其可行性、可扩展性和长期可持续性仍有待通过迭代设计科学研究进行评价。类似地，对Carlile知识边界的解读仍是概念性的，尚未经过实证检验。

第四，本综述并非有意以单一核心理论为基础。其目的是理解基于知识图谱的治理当前如何被设计与应用，特别是在中小企业环境中。因此，DGI框架作为主要分析视角，而社会技术视角和边界对象视角是在之后引入，以解释研究结果并推导设计原则。未来研究可从一开始采用核心理论，以实现更深层的理论发展。证据综合过程中存在研究者偏倚的风险，涉及识别、筛选和解读。为降低这一风险，本综述遵循了基于预定义研究问题、关键词和检索术语的系统流程，并设定了明确的纳入和排除标准。多阶段选择过程被记录并迭代完善，且每个阶段的决策均进行了复核。每篇纳入的论文均根据预定义质量标准进行评估，以确保报告质量的一致性最低标准，并将概念性提议与实证支持的证据区分开来。数据提取遵循与DGI框架、中小企业挑战和生命周期阶段一致的预定义编码模式，编码过程采用迭代方式，并定期进行由资深研究者参与的同行讨论，以交叉检查主题定义、差距解读和类别对齐情况。分歧通过讨论和共识解决，分析备忘录记录了解读决策，特别是在治理要素隐含或嵌入技术实现的情况下。这些步骤增强了透明性，并降低了主观解读不当影响综合结果的风险，同时承认定性证据综合中仍不可避免地包含一定程度的判断。

因此，未来工作应通过设计科学研究在中小企业环境中验证所提出的原则和框架，考察其在资源约束下的可行性、可扩展性和长期可持续性。还应通过考察知识图谱在多大程度上具备协调数据治理跨利益相关者社区所需的属性，来开发并实证评估第6.4节提出的边界对象命题。上述研究方向将推动该领域走向不仅在技术上可行，而且在组织上现实、情境感知且可持续的治理解决方案，以适应中小企业的需要。

## 8. 结论

本文按照PRISMA指南进行了一项系统文献综述，探讨基于知识图谱的数据治理方法，特别旨在评估其对中小企业的适用性。在2020年至2025年间发表的43项同行评审研究中，本综述显示，使用语义技术来形式化治理概念、自动化部分治理任务以及改善复杂数据环境中的可追溯性，正受到越来越多的关注。知识图谱和本体已成为以机器可读形式表示策略、元数据、访问规则和血缘关系的常见技术基础。

尽管取得这一进展，研究结果揭示了一个一致的局限性。大多数方法是为大型组织设计的，未反映中小企业的资源约束、非正式结构和角色重叠特征。许多研究展示了可行的实现，但自动化仍然是碎片化的，且局限于元数据链接、策略检查或访问控制等狭窄技术功能。监控、组织问责、决策权和端到端生命周期监督被弱化处理或被隐式提及。因此，治理解决方案在技术上显得精细，但在中小企业环境中难以操作化并持续运行。

本综述做出了四项贡献。首先，通过多个分析视角提供了该领域的结构化综合，即核心治理活动、数据治理协会框架的组成部分、自动化水平和数据生命周期覆盖，揭示了单独阅读研究时看不到的结构性失衡。其次，识别出八个反复出现的差距，解释了为什么现有方法无法转化为中小企业环境，其中包括自动化成熟度有限、缺乏监控支持、角色和决策权建模不足、特定行业设计导致可迁移性低，以及现实世界验证最少。第三，将这些发现重新定义为社会技术层面的缺口，而非技术差距，并据此推导出九项设计原则，这些原则以中程构念形式表述，既超越了单一研究而具有普适性，又足够具体以指导设计。第四，推进将知识图谱作为治理社区之间的边界对象，该命题为概念性研究框架提供了协调逻辑，并为作者后续工作设定了方向。

综合来看，研究发现表明，为中小企业实现有效的数据治理，无法通过简化或缩小企业框架来实现。治理解决方案需要有针对性的构建，将治理意图、自动化机制和组织现实相一致。知识图谱作为启用技术具有强大潜力，但只有当它被用于超越狭窄的技术执行，支持角色、问责、监控和价值实现时，才能发挥作用。通过整合证据并设定具体设计方向，本综述为累积性、理论驱动的设计研究和轻量级、可扩展治理解决方案的实际开发奠定了基础。

未来研究应扩展基于知识图谱的治理，朝着更具适应性和持续性的机制发展，例如与AI驱动方法的集成，并应在真实中小企业环境中实证测试设计原则和框架，以评估可行性、可扩展性和影响。边界对象命题也需要独立开发和测试。对于实践而言，未来解决方案应优先保证易用性、轻量级部署和互操作性，这些条件才使得在资源受限环境中的采纳具有现实性。

## CRediT作者贡献声明

Madhushi Bandara：撰写—审阅与编辑，撰写—原稿，验证，监督，方法论，概念化。
Asif Gill：撰写—审阅与编辑，验证，方法论。
Ghassan Beydoun：撰写—审阅与编辑。
Bushra Al Sulayyim：撰写—审阅与编辑，撰写—原稿，可视化，验证，方法论，调查，形式分析，数据策展，概念化。

Bushra Al Sulayyim | Madhushi Bandara | Asif Gill | Ghassan Beydoun