Assessing the Data Quality of Wikipedia

Rajivv Rajivv

Master's thesis

Abstract:

V dnešní době se Wikipedia stala jednou z největších encyklopedií a jednou z nejpopulárnějších webových stránek. Největší růst nastal v anglické verzi wikipedie, kteoru navštěvuje více než 300 miliónů uživatelů denně a má více než 6 miliónů článků. Většinou uživatelé internetu používají Wikipedii jako informační zdroj. Přestože růst wikipedie vykazuje pozitivní dopady, její kvalita tím trpí. Mnoho článků v anglické verzi mají nízkou kvalitu, a některé populární témata nejsou napsané v adekvátně dobré kvalitě. I nyní je kvalita dat jedním z hlavních problémů, kterým Wikipedia čelí. Tyto problémy se snaží překonat vytvořením systému třídění podle kvality článku, který by byl schopen klasifikovat články z Wikipedie do několika stupňů kvality. Nicméně tento systém klasifikace je také považován za nedostatečný k zajištění kvality článků. Dokonce i nejlepší články (vzorové, nebo články s nejvyšší úrovní v rámci systému třídění kvality) mohou někdy trpět nedostatkem kvality. Podobné chyby pak ovlivňují jak čtenář pochopí daný text, ale přesnost informací. V této práci autor objasňuje devět dimenzí kvality dat, čímž poskytuje řešení problémů se špatnou kvalitou dat zlepšuje hodnocení Wikipedie. Tyto dimenze budou použity při automatickém hodnocení kvality dat ve strukturálních částech (články a infoboxy). Autor konstruuje metodiky měření kvality pomocí metrik extrahovaných z Wikipedie. K ověření těchto metodologií autor provedl experimenty na reprezentativním vzorku (články a infoboxy) s vybranými kategoriemi: města, hudebníci a filmy. Výsledky jsou poté použity jako optimální hodnota pro každou dimenzi a budou použity k určení konečného skóre kvality konkrétního článku.

Abstract:

Nowadays, Wikipedia becomes one of the largest Encyclopedia and one of the most popular websites. The most significant growth occurred in the English-language version of Wikipedia, which is accessed by more than 300 million users on a daily basis and has more than 6 million articles. Most of the time, internet users access Wikipedia and use it as a reference. Although the growth of Wikipedia shows positive impacts, the quality of Wikipedia may suffer. Many of the English-language version of Wikipedia articles are of poor quality, and some popular Wikipedia topics are not covered adequately in good quality. Until now, data quality is one of the main issues faced by Wikipedia. Wikipedia overcomes these issues by developing an article quality grading scheme, which able to classify Wikipedia articles into several quality grades. However, this grading scheme is also considered inadequate to guarantee the quality of the articles. Even the featured articles (article with the highest level of Wikipedia in quality grading scheme or Wikipedia article's role model) could be contained quality flaws. Quality flaws not only affect people’s understanding of the articles but also data in infoboxes. In this research, the author refines nine data quality dimensions as a solution to poor data quality issues by helps the users scoring the quality of Wikipedia. Those dimensions will be used in the automatic quality assessment of data in Wikipedia's structural parts (articles & infoboxes). The author constructs the quality measuring methodologies using metrics extracted from Wikipedia. To validate those methodologies, the author conducted experiments on a representative sample of Wikipedia (articles & infoboxes) with the selected categories: city, musician, and film. The results are then employed as the optimal value for each dimension and will be used to determine the final quality score of the given Wikipedia article.

Keywords

Data analysis, Data quality, Data quality dimension, Data extraction, Credibility, Format compliance, Popularity, Reputation, Semantic stability, Completeness, Semantic connection, Web scraping, Wikipedia

Language used: English

Date on which the thesis was submitted / produced: 7. 1. 2021

Thesis defence

• Date of defence: 10. 2. 2021
• Supervisor: doc. Mouzhi Ge, Ph.D.
• Reader: Ing. Leonard Walletzký, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Applied Informatics / Service Science, Management and Engineering (eng.)