以指标为中心的官方统计指标语义集成与可溯源知识图谱模型

《Data》:An Indicator-Centric Knowledge Graph Model for Semantic Integration and Traceability of Official Statistical Indicators

【字体: 大 中 小 】 时间:2026年09月18日 来源:Data 2.4

编辑推荐:

  官方统计指标对于监测可持续发展目标(Sustainable Development Goals, SDGs)的进展至关重要。然而,指标数据、元数据、源数据集、编制机构与全球SDG参考信息往往在彼此分离的结构中进行管理和传播,限制了语义集成、可追溯性与机器可读性

  
官方统计指标对于监测可持续发展目标(Sustainable Development Goals, SDGs)的进展至关重要。然而,指标数据、元数据、源数据集、编制机构与全球SDG参考信息往往在彼此分离的结构中进行管理和传播,限制了语义集成、可追溯性与机器可读性。该研究提出一种以指标为中心的知识图谱模型,用于整合和追溯印度尼西亚的SDG指标。该模型将StatisticalIndicator作为中心实体,连接SDGs、SDG目标、全球指标参考、国家及代理指标元数据、源数据集、发布机构、受控代码表和统计观测值。遵循重用优先(reuse-first)设计原则,该模型使用既有语义网词汇表实现,仅扩展了七个自定义属性。研究人员通过有目的选取的印度尼西亚16个儿童相关SDG指标案例对该模型进行实例化与评估,所选案例旨在最大化编制机构、数据来源以及指标-框架关系(包括国家调整指标和代理指标)之间的结构异质性。知识图谱通过基于SPARQL的胜任力问题(含预定义ground truth与查询执行时间测量)、SHACL结构验证(辅以基于突变的阴性测试)、可追溯性覆盖率分析(含来源核实)以及补充性专家评判进行评估。研究结果表明,所提出的以指标为中心的知识图谱模型能够以最小化且可互操作的词汇表扩展支持官方统计指标的语义集成、元数据获取和端到端可追溯性。虽然经验证据仅限于单一国家、单一领域的实例化,但该模型本身是领域无关的;其分层和关系独立于指标的主题内容而定义。
一、研究背景与问题

官方统计指标是监测可持续发展目标(Sustainable Development Goals, SDGs)进展的关键工具,为政策制定、项目评估、公共问责以及国家和全球发展议程监测提供可衡量证据。然而,官方统计指标往往分散于多个机构、数据门户、出版物和元数据系统中。以儿童相关指标为例,其可能涉及国家统计办公室、规划机构、教育部门、卫生部门、人口机构等多个数据生产与管理方,用户需要跨机构获取、理解和复用指标时面临诸多挑战,包括指标的官方定义、计量单位、计算方法、数据来源、负责机构以及可用维度信息难以统一获取。在印度尼西亚,国家发展规划部(Bappenas)承担SDG国家实施协调职能,SDG指标数据发布在专用门户的仪表板中,但仪表板无法在单一视图中展示全部数据和元数据;PDF格式的元数据出版物分散且不完整,例如指标计算方法需要单独查找。现有关联开放统计数据和SDG本体相关研究多以数据集或全球框架为中心,尚未在国家层面将以指标为中心的完整上下文层(SDG目标、元数据、源数据集、编制机构、观测值等)纳入单一可追溯结构中。该研究由此提出三个研究问题,并采用设计科学研究(Design Science Research, DSR)方法,产出两个主要研究工件:以指标为中心的知识图谱模型,以及基于该模型的国家级RDF原型。

二、研究内容与总体结论

研究人员提出以指标为中心的知识图谱模型,将StatisticalIndicator作为中心实体,连接SDG框架、国家及代理指标元数据、源数据集、编制机构、受控代码表和统计观测值。模型包含六个语义层:SDG框架层、指标元数据层、数据集与来源层、观测层、受控代码表层、指标关系层。模型遵循重用优先(reuse-first)设计原则,重用八个既有语义网词汇表,仅扩展七个自定义属性和一个真正意义上的新类。研究人员选取印度尼西亚16个儿童相关SDG指标进行实例化,生成包含4103条三元组的知识图谱,覆盖273个统计观测值、13个经核实的源数据集、4个机构、130个SKOS概念、8个SDG目标、14个具体目标和15个全球指标参考。评估结果表明,该模型能够以最小且可互操作的词汇表扩展支持官方统计指标的语义集成、元数据访问和端到端可追溯性。模型本身是领域无关的,其分层和关系定义不依赖指标的具体主题内容。

三、主要关键技术方法

研究方法为原型式设计科学研究(DSR):从Bappenas国家SDG看板选取16个儿童相关指标,覆盖4个编制机构、多种数据采集工具及全部三类指标-框架关系;元数据来源包括印度尼西亚统计局出版物、Bappenas元数据系列和联合国全球元数据仓库;数据经手动整理与清洗后,使用Python/RDFLib流水线转换为RDF;采用重用优先词汇策略,重用8个既有词汇表并新增7个自定义属性;评价方法包括SPARQL胜任力问题与预定义ground truth、SHACL结构验证与突变测试、可追溯性覆盖率分析与来源核实、专家评判。

四、主要研究结果

4.1 胜任力问题评估

研究人员将十个胜任力问题(Competency Questions, CQs)分别转换为SPARQL查询,在发布图谱上执行,并以外部参考来源预先定义的ground truth进行比对。所有查询结果均与ground truth一致,表明知识图谱能够正确支持指标发现、SDG关联、元数据检索、数据源追溯、机构追溯、观测值检索、分项发现和语义关系探索等信息需求。

4.2 SHACL验证与突变测试

图谱使用SHACL形状进行结构验证,结果为零违例。研究人员向图谱副本中注入十类缺陷,包括删除必备元数据、破坏受控代码值、断开框架关联、使观测值脱离数据集、重复测量值等,形状约束成功检出全部十个注入缺陷。该结果表明图谱在结构上符合模型约束,且约束对目标错误类别具有敏感性,但该验证本身不证明语义正确性或完整外部互操作性。

4.3 可追溯性覆盖率与正确性

研究人员按16个指标乘以9个追溯元素计算可追溯性覆盖率,全部16个指标均达到144/144的完整覆盖。由于链接可用性可能由结构约束保证,研究进一步对所有13个源数据集进行了来源核实:其中7条记录确认无需修改,6条记录在正式调查名称方面进行了纠正后才纳入发布图谱。因此,可追溯性不仅存在,而且终止于经过核实的官方统计来源。

4.4 专家评判

研究人员邀请三位分别代表官方统计、SDG监测和知识图谱/语义网领域的专家进行补充性评判。八项Likert量表条目均获得正向评价,条目均值介于4.00至5.00之间,总体均值为4.46;所有条目的内容效度指数(I-CVI)均为1.00,量表层面内容效度指数平均值(S-CVI/Ave)为1.00。专家开放意见肯定了以指标为中心的方法对官方统计元数据管理和SDG监测的适用性,同时建议扩展至更广SDG领域、建立持久URI治理机制、丰富来源与版本信息并对接官方统计元数据系统。

4.5 查询性能基线

十个胜任力问题查询的执行时间均处于交互式响应范围内:查询均值介于17.5毫秒至32.3毫秒之间,整体均值为24.6毫秒,单次运行未超过66毫秒。即使是最复杂的端到端追溯查询和全观测值分项组合查询,其响应时间也与简单查找相当,说明六层以指标为中心的结构在当前图谱规模下未引入固有昂贵的查询模式。

五、讨论

与当前仪表板和PDF分散发布的基线相比,该知识图谱能够用单个SPARQL查询回答数据集追溯、机构追溯、从目标到观测值的端到端追溯以及指标间语义关系等信息需求,而这些需求在现有基线中需要跨系统和文档人工比对。规模扩展方面,当前图谱中每个观测值约对应11条三元组,每个指标约对应69条三元组;若扩展至全国234个全球SDG指标,按当前观测密度推算图谱规模约为6×104条三元组,若纳入全国38个省级次国家级观测及五年时间序列,规模也仅为数百万条三元组,低于现代三元组存储系统的常规处理能力。部署方面,国家资源使用原型命名空间是有意设计,生产环境需要制定持久URI治理、版本化发布和全球框架变更时的更新机制。模型的可推广性建立在设计基础而非案例规模上:六个语义层和七个自定义属性均不含领域特定假设,迁移至其他SDG领域或国家主要需要新增实例而非新增类、属性或约束;但复合指数类指标或缺乏公开元数据的国家可能影响可追溯性层的完整填充,跨领域和跨国家的经验证据仍有待未来研究。

六、结论

该研究提出并实现了一个以指标为中心的知识图谱模型,用于支持印度尼西亚儿童相关官方SDG指标的语义集成与可追溯性。模型将统计指标定位为中心实体,连接SDG框架、国家和代理指标元数据、源数据集、编制或发布机构、受控代码表及统计观测值;通过重用RDF Data Cube、SDMX-RDF、SKOS、DCAT、DCMI Metadata Terms、PROV-O、W3C Organization Ontology和UN SDG Ontology八个词汇表,仅扩展七个自定义属性,且所有自定义属性均对齐到标准超属性。原型评估显示:十个胜任力查询结果均匹配外部ground truth,查询时间满足交互式要求;图谱通过SHACL结构验证并能检出全部十个注入缺陷;16个指标实现完全可追溯性覆盖且来源正确性经官方出版物核实;专家评判总体正向。这些结果说明,该模型能够支持统计指标元数据、机构责任、数据来源和观测值层面的集成访问,并提供将国家和代理指标系统追溯至全球SDG框架的方法。研究局限性包括仅针对16个国家级儿童相关指标进行原型实现,跨领域和跨国家迁移、全量SDG指标覆盖、次国家级数据、生产规模集成和持久URI治理仍超出当前范围。未来工作可扩展至更广泛SDG领域,纳入次国家级与时间序列数据,丰富来源和版本信息,与官方统计核心本体(COOS)对齐,并面向更大规模专家和用户群体开展基于任务的评估。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号