Wie was Ângelo Maria Longa?


Vorige week meldde @EvoMRI (D@niel Mietchen) op Twitter dat Wikidata intussen 7 miljard tripels bevatte en dat dezelfde dag ook het 61 miljoenste item geregistreerd was.

Dat was een mooie update op onze eerdere blogpost over het 60 miljoenste item. Deze 61 miljoenste betrof geen ingewikkeld ATP-geassocieerd proteïne, maar de “male Brazilian entrepreneur and gambler” Ângelo Maria Longa die in 1986 was overleden.
Voor wie meer wil weten over de inhoud van deze ook voor informatiespecialisten steeds belangrijker wordende gegevensbron, met gemiddeld ruim honderd gegevens per item (die 7 miljard tripels), moet 21 maart zeker naar de workshop van Maarten Dammers komen. Die gaat het niet alleen over Wikidata hebben, maar besteedt dan ook aandacht aan de SPARQL querytaal waarmee Wikidata (en andere linked data triple stores) doorzocht kunnen worden. En hij heeft dan zeker wat zinniger voorbeelden dan die welke in de tweet hierboven vermeld staat. Maar die query werkt overigens wel als je hem aanklikt.

Een rappende tekstgenerator

Gepubliceerd in IP 2019 nr. 1 [PDF]

Deze zomer deden de makers van software die automatisch rapteksten genereert, op het Lowlands-festival een soort Turing-test: herkenden bezoekers of een raptekst door een computer of een mens gemaakt was? Op de VOGIN-IP-lezing komt Folgert Karsdorp (Meertensinstituut) daarover vertellen. IP stelde hem vooraf al wat vragen.

Met wat voor kenmerkende verschillen tussen een raptekst en ‘gewonere’ teksten moet een automatische tekstgenerator rekening houden?
‘Rap onderscheidt zich in veel opzichten van gewone tekst, zowel wat betreft inhoudelijke als stilistische aspecten. De stilistische eigenschappen, zoals rijm, metrum en flow, springen wellicht nog het meest in het oog. Dit zijn allemaal kenmerken waar “gewone” tekstgenerators niet direct mee om kunnen gaan, en waar we dus nieuwe oplossingen voor hebben moeten bedenken.’

Worden dergelijke kenmerken vooraf als regels in jullie programma ingevoerd, of leert het programma het helemaal op basis van voorbeelden?
‘De meeste kenmerken worden gegenereerd op basis van machine learning. Daarbij moet wel aangetekend worden dat we niet zomaar een grote hoeveelheid teksten “voeren” aan een algoritme in de hoop dat het zelf kenmerken als rijm en ritme zal herkennen en vervolgens ook zal toepassen. We hebben speciale modules voor specifieke kenmerken gemaakt, die – bijvoorbeeld in het geval van rijm – de regel hebben dat er gerijmd moet worden, maar waarbij niet bepaald wordt op welk woord. Ons systeem past een vrij losse definitie van rijm toe, die zegt dat twee woorden rijmen als hun beklemtoonde klinkers overeenkomen.’

Begint het programma met wat willekeurige woorden, of zijn er bepaalde aangeleverde zinnen of thema’s waarop het voortborduurt?
‘We hebben een reeks verschillende systemen geïmplementeerd die op verschillende taalniveaus tekst produceren. Zo hebben we een systeem gemaakt dat op letterniveau teksten maakt, maar ook systemen die op lettergreep en woordniveau opereren. Voor elk van deze systemen geldt dat ze beginnen met het selecteren van een willekeurige letter, lettergreep, of woord, afhankelijk van het gekozen systeem. ‘

Hoeveel van de door jullie programma gegenereerde teksten werden bij het experiment tijdens Lowlands door de proefpersonen als ‘echt’ beoordeeld?
‘Gemiddeld konden de proefpersonen in zestig procent van de gevallen het onderscheid maken tussen echte en gegenereerde teksten. De deelnemers kregen ongeveer evenveel authentieke als gegenereerde teksten te zien, dus in veertig procent van de gevallen werden gegenereerde teksten “foutief” als origineel beschouwd.’

Rapper Leafs probeert het zelf

Is er van jullie teksten ooit eentje echt door een rapper uitgevoerd?
Nog niet!

Wat hebben jullie van dit experiment geleerd?
‘Allereerst hebben we geleerd dat het genereren van rapteksten een grote uitdaging is. Gegeven al de verschillende eigenschappen en kenmerken van raps, is het lang niet zo eenvoudig om overtuigende teksten te schrijven. Dat was op zichzelf opvallend, omdat in eerdere experimenten met literair materiaal relatief eenvoudige tekstgenerators vrij makkelijk overtuigende literaire zinnen konden maken. Diezelfde generators waren echter ontoereikend voor de rapteksten. Daarnaast heeft het experiment ons inzicht gegeven in de perceptie van mensen in gegenereerde teksten. Wat zijn de verwachtingen van mensen als ze een gegenereerde tekst zien? Een opvallende en leuke uitkomst was dat mensen zich blijkbaar niet kunnen voorstellen dat een automatisch systeem schuttingtaal zou gebruiken. Nou, reken maar! Tot slot, ik denk dat het belangrijk is dat er in veel verschillende domeinen (zoals literatuur, muziek, nieuws, enzovoort) geëxperimenteerd wordt met tekstgeneratiesystemen. Op die manier kunnen we beter zicht krijgen op de enorme hoeveelheid uitdagingen die tekstgeneratie nog heeft en ook op de grote complexiteit van creativiteit en taal.’

Keuzestress


Wie naar de VOGIN-IP-lezing wil komen, moet de organisatoren daarvan wel haten. Want het is nogal pervers om beoogde bezoekers zo’n dosis keuzestress te bezorgen. Eerst al de keuze tussen lezingentracks en workshops. En dan nog: welk van die 10 workshops? Want die zien er allemaal interessant uit. Maar dat was natuurlijk ook de bedoeling van die organisatoren.
Niettemin hebben we één van hen gevraagd zich eens in zo’n bezoeker te verplaatsen. Wat zou hij kiezen als hij met dat aanmeldformulier voor zich zat. Eigenlijk wilde hij daar geen antwoord op geven, want dan zou hij de suggestie wekken de ene workshop voor te trekken boven de andere. Maar na enig aandringen wilde hij toch wel zeggen welke onderwerpen hem persoonlijk het meest aanspraken, Waarbij zijn belangrijkste criterium was over welke onderwerpen hij vond dat hij meer zou moeten weten.
Dan kwam bij hem op één: de workshop over Wikidata en SPARQL.
En op twee: de workshop over het bouwen van een Knowledge Graph.
Maar ja, over die semantische zoekmachines is natuurlijk ook wel leuk, of wat meer over SEO weten, en kunnen factchecken, of ….
En als hij dan een workshop koos, dan kon hij misschien weer niet naar Karsdorp’s lezing over de rap-generator of naar die over Zalando’s Knowledge Graph.
Zelfs bij deze gefingeerde keuzesituatie sloeg bij hem de stress al onbarmhartig toe.
Op basis van deze ervaring bieden de organisatoren u dus hun nederige excuses aan voor het veroorzaken van zoveel keuzestress.

Spam clans uncovered


De Leidse nepnieuwsonderzoeker Peter Burger heeft samen met een Belgische collega, Maarten Schenk, onderzoek gedaan naar een Macedonisch nepnieuwsnetwerk. Op de eigen website Nieuwscheckers zijn de resultaten van dat onderzoek gerapporteerd, maar ook nos.nl heeft er uitgebreid aandacht aan besteed. Van Macedonische tieners was al eerder bekend dat ze tijdens de Amerikaanse presidentsverkiezingen via allerlei nepsites fakenieuwsberichten (her)verspreidden om daar door advertentie-inkomsten dik geld aan te verdienen. Ditmaal gaat het om een familie- en vriendenkring van meer middelbare leeftijd die ditzelfde verdienmodel exploiteerde. Volgens Peter Burger wordt de kern gevormd door twee mannen die een baan bij het Macedonische leger hebben (of hadden) en dit er als aardige bijverdienste bijdoen, met medewerking van wat familie en kennissen. Ook hier gaat het om berichten die van elders gekopieerd worden, zodat hun beperkte actieve kennis van het Engels geen probleem vormt. Via Facebook en Twitter hebben ze een bereik van meer dan 7 miljoen reacties, comments, shares en retweets gegenereerd. Dit ondanks de – kennelijk nog niet erg doeltreffende – maatregelen die Facebook en Twitter intussen genomen hebben om de verspreiding van nepnieuws te beperken. Op grond hiervan concludeert Peter Burger’s collega Alexander Pleijter dan ook dat de internetgiganten schromelijk tekortschieten om haatzaaiend nepnieuws te weren.

Een uitgebreid rapport van het onderzoek van Peter Burger en Maarten Schenk, met meer cijfers, is ook op Nieuwscheckers te vinden.

Peter Burger of Alexander Pleijter (ze moeten zelf nog beslissen wie van beide) zal 21 maart op de VOGIN-IP-lezing ook een workshop “Factchecking” verzorgen.

Een “Global Thinker” bij #voginip


Het Amerikaanse tijdschrift Foreign Policy maakte eerder deze week bekend wie ze tot “Global Thinkers” voor 2019 hebben uitgeroepen. In hun reeks van zwaargewichten figureert ook Eliot Higgins in de categorie “Defense & Security”.
Nog een extra reden dat we blij zijn Eliot op 21 maart als keynote spreker in de OBA bij de VOGIN-IP-lezing te mogen verwelkomen. En een extra reden om de VOGIN-IP-lezing niet te willen missen.

Toevoeging d.d. 23-01-2019:

Wikidata: feiten over meer dan 60 miljoen entiteiten


Op 20 december heeft iemand het 60 miljoenste “ding” in Wikidata ingevoerd. Wat het was zie je hierboven. De identifier Q60000000 maakt onomstotelijk duidelijk dat dit het 60 miljoenste item was. Het hoogste nummer dat ik op dit moment (vrijdag 11 januari, 15.45 uur) tegenkwam, was intussen al Q60556989 (Tehallan, een county in Ierland). Dat waren dus al 556.989 nieuwe items in drie weken (en dat ook nog in de kerstvakantie – of misschien wel “juist”). Van elk van die items in Wikidata kunnen ook allerlei eigenschappen en relaties geregistreerd worden (in het voorbeeld hierboven niet getoond).
Deze twee voorbeelden illustreren dat de talloze vrijwilligers die gegevens toevoegen, er zowel wetenschappelijke als meer algemene informatie instoppen. Met gegevens over die meer dan 60 miljoen entiteiten is dit een onuitputtelijk Linked Open Data bron, waaruit andere systemen – de Wikipedia voorop – feitelijke informatie kunnen halen.
Zo maakt bijvoorbeeld het onderzoeksportaal van de KB gebruik van Wikidata om in de krantenartikelen in Delpher zogenaamde named entities te identificeren en om daarover extra gegevens te kunnen presenteren. Theo van Veen maakt zich er dan ook sterk voor dat Wikidata dienst gaat doen als een soort universele gemeenschappelijke thesaurus en de Wikidata-identifier (dat Q-nummer) als DE identifier voor entiteiten. Hij schreef daarover al eerder in IP. Op KNVI’s Smart Humanity Event had hij er in december een lezing over en in de KB onderzoekskroniek in het decembernummer van IP kwam het ook al ter sprake.

Maar hoe haal je nou gegevens uit die gigantische vergaarbak met data. Om in Linked Open Data bronnen zoals Wikidata te zoeken, is een speciale querytaal ontwikkeld: SPARQL. Die naam is een zogenaamd recursief acroniem voor “SPARQL Protocol and RDF Query Language”. SPARQL is best een ingewikkelde querytaal, maar er zijn gelukkig wel wat tooltjes die kunnen helpen om dergelijke queries te formuleren. En ook voor informatieprofessionals is het zeker nuttig er iets van te weten. Zeker als je wilt bijdragen of ontlenen aan Wikidata. Maar hoe kun je iets van SPARQL leren?
Daar komt dan eindelijk de aap uit onze mouw: op 21 maart hebben we daar namelijk een workshop voor. Maarten Dammers die vorig jaar al een leuke lezing over dit onderwerp gaf, verzorgt dit jaar een workshop waarin je zelf met Wikidata en SPARQL aan de gang kunt. Waar wacht je dus nog op?

Algoritmes


In Villamedia van 5 oktober 2018 stond een interview met Daan Odijk (midden, spreker op de komende VOGIN-IP-lezing), David Graus (links, spreker op de vorige VOGIN-IP-lezing) en Anne Schuth (rechts). Dat stuk geeft een aardige indruk waarmee datawetenschappers als Daan, David en Anne zich in de mediawereld bezighouden en waar Daan het 21 maart bij ons ook over gaat hebben. Ter illustratie een paar citaten uit het artikel:

NIEUWE TIJDEN
Ze verdienen meer dan hun journalistencollega’s en maken ook nog eens allerlei software waarmee een deel van het redactiewerk wordt overgenomen. Een gesprek met datawetenschappers David Graus, Daan Odijk en Anne Schuth die de journalistiek gaan automatiseren. ‘We willen dat journalisten hun tijd het meest effectief gebruiken, want dat is niet altijd het geval. We zouden dus vooral gaan snijden in het monnikenwerk.’
….
De heren staan model voor een steeds groter wordende groep data scientists, machine learning engineers of simpelweg IT’ers die de redactievloer bevolkt.
….
Hoe kwamen jullie in de media­sector terecht? Kunnen jullie in de IT niet veel meer verdienen?
Odijk: ‘Voor ons drieën is dit een logische keuze. Wij vinden ­tekst­uele data heel interessant, want er is heel veel potentie om meer met content te doen, zowel uit archieven als nieuwe content uit bijvoorbeeld openbare databestanden. We hebben een hele bewuste keuze gemaakt voor deze sector, niet vanwege het geld.’
….
Gaan jullie de journalistiek volledig overnemen en zit de redactievloer straks vol met nerds?
Odijk: ‘Journalistieke content is het meest waardevolle dat onze bedrijven hebben. Dus natuurlijk blijven we er tijd in steken om die zo goed mogelijk te maken. We willen wel dat journalisten hun tijd het meest effectief gebruiken, want dat is niet altijd het geval. We zouden dus vooral gaan snijden in het monnikenwerk.’
Graus: ‘Mensen zijn heel bang om vervangen te worden, maar in veel gevallen is deze technologie slechts extra gereedschap. Het biedt suggesties die je wel of niet meeneemt. Mijn belangrijkste doel is om, à la de film ‘Minority Report’, een redactie-supportsysteem te bouwen waarmee je eenvoudig door een grote stroom complexe data kunt navigeren. Misschien moet de journalist daarvoor wel een beetje meer nerdy worden.’
….

De titel van het interview geeft al aan dat het ook bij hun soort werk om “algoritmes” gaat, zoals dat ook bij de grote tech-bedrijven het geval is. Als je wilt weten wat dat bij RTL inhoudt, dan moet je 21 maart naar Daan komen luisteren …. en je natuurlijk tijdig aanmelden voor de VOGIN-IP-dag.

Digitaal schatgraven voor 8+


“Digitaal schatgraven” is er niet alleen voor bezoekers van de VOGIN-IP-lezing, maar ook voor een heel andere leeftijdscategorie. Op 26 januari vertelt Cynthia Liem haar verhaal namelijk al op een kindercollege in het Delftse theater De Veste. Zoals uit onderstaande beschrijving blijkt, zal het daar voor een belangrijk deel over de algemene werking van zoekmachines gaan:

Hoe vind je informatie over een onderwerp dat je heel leuk vindt? Waarschijnlijk met behulp van een zoekmachine op het Internet. Maar hoe werkt zo’n zoekmachine dan?
Cynthia legt ons uit hoe we informatie op een slimme manier kunnen organiseren, en daagt ons uit om digitaal te gaan schatgraven. Want wat moet je doen als je bijvoorbeeld een nieuw liedje wilt ontdekken, dat heel anders is dan de muziek die je tot nu toe kende? In dit kindercollege gaan we samen op onderzoek uit!

Haar specialiteit “muziek” blijkt daar dus toch ook wel aan de orde te komen. En dat zal nu juist het thema zijn van haar grote-mensen-college bij de #voginip-lezing.

Alexander Pleijter op de radio

Behalve dat Alexander Pleijter op de VOGIN-IP-lezing workshops Factchecking verzorgt, is hij vanmiddag ook op de radio bij het VPRO-programma Argos, om het over factchecking en nepnieuws te hebben.

Uit de beschrijving op de Argos-site:

“Wat is hij eigenlijk, wetenschapper of (onderzoeks)journalist? Geen van beide helemaal, zegt hij zelf. Wel is Alexander Pleijter, universitair docent Journalistiek en nieuwe media aan de Universiteit Leiden, specialist op het gebied van bronnengebruik van journalisten. Lang voordat fakenews een scheldwoord werd, trainde hij al studenten in het ontmaskeren van desinformatie. En dat doet hij nog steeds. Alexander Pleijter is een luis in de pels van de journalistiek en in Argos praten we met hem onder meer over de toekomst van het vak in tijden van ongebreidelde verspreiding van nepnieuws.”

Season’s greetings

>
Het VOGIN-IP-team wenst alle – zowel eerdere als toekomstige – bezoekers van de VOGIN-IP-lezing mooie kerstdagen, veel geluk en alle goeds voor 2019.
En tot dat “goeds” hoort op 21 maart natuurlijk ook weer een tochtje naar Amsterdam.
Laten we daar vast op toosten.
 
 
 
Joyce, Monique, Peter, Arno, Peter, Eric