ORES/id

ORES (/ɔɹz/) adalah layanan web dan API yang menyediakan pembelajaran mesin sebagai layanan untuk proyek-proyek Wikimedia yang dikelola oleh tim Scoring Platform. Sistem ini dirancang untuk membantu mengotomatisasi kerja pada wiki – contohnya, deteksi dan penghapusan vandalisme. Saat ini, dua tipe umum skor yang dikeluarkan oleh ORES adalah dalam "kualitas penyuntingan" dan "kualitas artikel." The system is designed to help automate critical wiki-work – for example, vandalism detection and removal. Currently, the two general types of scores that ORES generates are in the context of “edit quality” and “article quality.”

ORES merupakan sebuah layanan sisi belakang dan tidak secara langsung menyediakan cara untuk menggunakan skor. Jika Anda ingin menggunakan skor ORES, periksa daftar perkakas yang menggunakan skor ORES. Jika ORES belum mendukung wiki Anda, lihatlah instruksi untuk meminta dukungan. If you'd like to use ORES scores, check our list of tools that use ORES scores. If ORES doesn't support your wiki yet, see our instructions for requesting support.

Sedang mencari jawaban untuk pertanyaan Anda mengenai ORES? Lihatlah FAQ ORES.

Kualitas suntingan
Salah satu masalah kritis tentang proyek terbuka Wikimedia adalah peninjauan kontribusi ("suntingan") yang berpotensi merusak. Juga harus ada cara mengenali kontributor yang berniat baik (yang mungkin tidak sengaja membuat kerusakan) dan memberikan mereka dukungan. Model-model ini dimaksudkan agar pekerjaan menyaring umpan Special:RecentChanges lebih mudah. Kami menawarkan dua tingkat dukungan untuk model prediksi kualitas suntingan: dasar dan lanjutan. There's also the need to identify good-faith contributors (who may be inadvertently causing damage) and offer them support. These models are intended to make the work of filtering through the Special:RecentChanges feed easier. We offer two levels of support for edit quality prediction models: basic and advanced.

Dukungan dasar
Dengan mengasumsikan bahwa suntingan yang paling merusak akan dibalikkan dan suntingan yang tidak merusak tidak akan di=, kami bisa membangun dengan menggunakan riwayat suntingan (dan suntingan yang dibalikkan) dari suatu wiki. Model ini mudah dibuat, tetapi menghadapi masalah ada banyak suntingan yang dibalikkan untuk alasan selain kerusakan dan vandalisme. Untuk membantu itu, kami membuat model berdasarkan kata-kata buruk. This model is easy to set up, but it suffers from the problem that many edits are reverted for reasons other than damage and vandalism. To help that, we create a model based on bad words.


 * – memprediksi apakah hasil suntingan harus dibalikkan

Dukungan lanjutan
Bukannya berasumsi, kami bisa meminta penyunting untuk melatih ORES mengenali suntingan mana yang memang  dan suntingan mana yang kelihatannya disimpan dengan. Ini memerlukan usaha lebih dari pihak sukarelawan dalam komunitas, tetapi ini menyediakan prediksi yang lebih akurat dan detail mengenai kualitas suatu suntingan. Ada banyak perkakas yang hanya berkerja ketika dukungan lanjutan tersedia di wiki target. This requires additional work on the part of volunteers in the community, but it affords a more accurate and nuanced prediction with regards to the quality of an edit. Many tools will only function when advanced support is available for a target wiki.


 * – memprediksi apakah suntingan menyebabkan kerusakan
 * – memprediksi apakah suntingan disimpan dengan niat baik

Kualitas artikel
Kualitas artikel Wikipedia merupakan kekhawatiran yang besar bagi para Wikipediawan. Halaman baru harus ditinjau dan dikurasi untuk memastikan spam, vandalisme, dan artikel serangan tidak terus berada di wiki. Untuk artikel-artikel yang melewati kurasi awal, beberapa Wikipediawan secara berkala menilai kualitas artikel, tetapi ini sangat bergantung pada sumber daya manusia yang ada dan penilaiannya kerap kali tidak mutakhir. New pages must be reviewed and curated to ensure that spam, vandalism, and attack articles do not remain in the wiki. For articles that survive the initial curation, some of the Wikipedians periodically evaluate the quality of articles, but this is highly labor intensive and the assessments are often out of date.

Dukungan kurasi
Semakin sepat artikel draf yang sangat bermasalah dihapus, semakin baik. Mengkurasi pembuatan halaman baru bisa jadi melibatkan banyak pekerjaan. Seperti masalah melawan vandalisme dalam suntingan, prediksi mesin bisa membantu kurator berfokus ke halaman baru yang paling bermasalah terlebih dahulu. Berdasarkan komentar yang diberikan oleh pengurus ketika mereka menghapus halaman (lihat tabel catatan), kami bisa melatih sebuah model untuk memprediksi halaman mana yang perlu cepat-cepat dihapus. Lihat en:WP:CSD untuk daftar alasan penghapusan kilat di Wikipedia bahasa Inggris. Untuk model bahasa Inggris, kami menggunakan G3 "vandalism", G10 "attack", dan G11 "spam". Curating new page creations can be a lot of work. Like the problem of counter-vandalism in edits, machine predictions can help curators focus on the most problematic new pages first. Based on comments left by admins when they delete pages (see the logging table), we can train a model to predict which pages will need quick deletion. See en:WP:CSD for a list of quick deletion reasons for English Wikipedia. For the English model, we used G3 "vandalism", G10 "attack", and G11 "spam".


 * – memprediksi apakah artikel akan perlu dihapus secara cepat (spam, vandalisme, serangan, atau OK)

Dukungan skala penilaian
Untuk artikel-artikel yang melewati kurasi awal, beberapa Wikipedia besar secara berkala menilai kualitas artikel menggunakan skala yang kurang lebih sesuai dengan skala penilaian Wikipedia 1.0 bahasa Inggris ("articlequality"). Penilaian ini sangat berguna karena membantu kita mengukur proses kita dan mengenali kesempatan yang terlewat (misalnya, artikel populer yang berkualitas rendah). Namun, memutakhirkan penilaian ini bisa jadi sulit untuk dilakukan, jadi cakupannya tidak konsisten. Inilah di mana model pembelajaran mesin  menjadi berguna. Dengan melatih sebuah model untuk menirukan penilaian kualitas artikel yang dilakukan manusia, kita bisa menilai setiap artikel dan setiap revisi secara otomatis menggunakan komputer. Model ini telah digunakan untuk membantu pekerjaan penilaian ulang triase WikiProject dan untuk menjelajahi dinamika penyuntingan yang mengantarkan kepada peningkatan kualitas artikel. Having these assessments is very useful because it helps us gauge our progress and identify missed opportunities (e.g., popular articles that are low quality). However, keeping these assessments up to date is challenging, so coverage is inconsistent. This is where the  machine learning model comes in handy. By training a model to replicate the article quality assessments that humans perform, we can automatically assess every article and every revision with a computer. This model has been used to help WikiProjects triage re-assessment work and to explore the editing dynamics that lead to article quality improvements.

Model articlequality mendasarkan prediksinya terhadap karakteristik struktural artikel. Contohnya, ada berapa banyak bagian di dalamnya? Apa ada kotak info? Berapa banyak referensinya? Apakah referensinya menggunakan salah satu templat cite? Model articlequality tidak menilai kualitas penulisan atau apakah terdapat masalah nada bicara (misalnya, mendorong sudut pandang tertentu). Akan tetapi, banyak karakteristik struktural artikel kelihatannya sangat berkorelasi dengan penulisan dan nada bicara yang baik, jadi modelnya pada praktiknya bekerja dengan baik. E.g. How many sections are there? Is there an infobox? How many references? And do the references use a cite template? The articlequality model doesn't evaluate the quality of the writing or whether or not there's a tone problem (e.g. a point of view being pushed). However, many of the structural characteristics of articles seem to correlate strongly with good writing and tone, so the models work very well in practice.


 * – memprediksi kelas penilaian (mirip Wikipedia 1.0) dari suatu artikel atau draf

Perutean topik


Model topik artikel ORES menerapkan sebuah taksonomi atas-bawah yang intuitif kepada semua artikel di Wikipedia -- draf artikel baru sekali pun. Perutean topik ini berguna untuk mengkurasi artikel baru, membangun daftar pekerjaan, membentuk WikiProjects baru, dan menganalisis kesenjangan cakupan.

Model topik ORES dilatih menggunakan pembenaman kata dari konten yang sebenarnya. Untuk setiap bahasa, sebuah pembenaman bahasa tertentu dipelajari dan diterapkan secara lokal. Karena strategi pemodelan ini bergantung pada topik artikel, prediksi topik bisa berbeda dalam bahasa yang berbeda tergantung topik yang ada di teks artikel.

Dukungan kurasi


Kesulitan terbesar dalam meninjau artikel baru adalah menemukan seseorang yang memahami subjek untuk menilai kelayakan, relevansi, dan akurasinya. Model  kami dirancang untuk merutekan artikel yang baru dibuat berdasarkan topik mereka ke peninjau yang berminat. Model ini dilatih dan diuji dengan revisi pertama artikel dan oleh karena itu cocok digunakan di draf artikel baru.


 * – memprediksi topik dari sebuah draf artikel baru

Pemetaan peminatan topik


Keterkaitan topik artikel merupakan konsep yang penting bagi organisasi karya di Wikipedia. Kelompok kerja bertopik menjadi strategi yang umum untuk mengelola produksi dan patroli konten di Wikipedia. Namun hierarki tingkat tinggi tidak tersedia atau dapat dikuerikan oleh karena beberapa alasan. Akibatnya semua orang yang ingin mengorganisasi di sekitar suatu topik atau membuat daftar kerja harus melakukan pekerjaan manual yang banyak untuk mengenali artikel yang relevan. Dengan model  kami, kueri-kueri ini bisa dilakukan secara otomatis.


 * – memprediksi topik dari sebuah artikel

Tabel dukungan
Tabel dukungan ORES melaporkan status dukungan ORES menurut wiki dan model yang tersedia. Jika Anda tidak melihat wiki Anda di daftar, atau dukungan untuk model yang Anda ingin gunakan, Anda bisa meminta dukungan. If you don't see your wiki listed, or support for the model you'd like to use, you can request support.

Penggunaan API
ORES menawarkan sebuah layanan API Restful untuk mengambil secara dinamis informasi skor tentang revisi. Lihat https://ores.wikimedia.org untuk informasi lebih lanjut mengenai cara menggunakan API.

Jika Anda mengkueri layanan tentang banyak revisi, disarankan untuk tidak menumpukkan lebih dari 50 revisi dalam satu permintaan sebagaimana yang dijelaskan di bawah. Diperbolehkan menggunakan maksimal 4 permintaan secara paralel. Tolong jangan lebihi batas ini atau ORES bisa menjadi tidak stabil. Untuk kueri yang lebih banyak lagi, Anda bisa menjalankan ORES secara lokal.

Contoh kueri: |wp10&revids=34854345|485104318 http://ores.wmflabs.org/v3/scores/enwiki/?modelsdraftquality|wp10&revids34854345|485104318

Contoh kueri: https://ores.wikimedia.org/v3/scores/wikidatawiki/421063984/damaging

Penggunaan EventStream
Skor ORES juga disediakan sebagai sebuah EventStream di https://stream.wikimedia.org/v2/stream/revision-score

Penggunaan lokal
Untuk menjalankan ORES secara lokal, Anda dapat memasang ORES dengan:

Kemudian Anda dapat menjalankannya dengan:

Anda seharusnya melihat keluaran